需求
有一個(gè)抽獎(jiǎng)應(yīng)用，從所有參與的用戶抽出K位中獎(jiǎng)用戶(K=獎(jiǎng)品數(shù)量)，且要根據(jù)每位用戶擁有的抽獎(jiǎng)碼數(shù)量作為權(quán)重。
如假設(shè)有三個(gè)用戶及他們的權(quán)重是: A(1), B(1), C(2)。希望抽到A的概率為25%，抽到B的概率為25%, 抽到C的概率為50%。
分析
比較直觀的做法是把兩個(gè)C放到列表中抽選，如[A, B, C, C]， 使用Python內(nèi)置的函數(shù)random.choice[A, B, C, C], 這樣C抽到的概率即為50%。
這個(gè)辦法的問題是權(quán)重比較大的時(shí)候，浪費(fèi)內(nèi)存空間。
更一般的方法是，將所有權(quán)重加和4，然后從[0, 4)區(qū)間里隨機(jī)挑選一個(gè)值，將A, B, C占用不同大小的區(qū)間。[0,1)是A, [1,2)是B, [2,4)是C。
使用Python的函數(shù)random.ranint(0, 3)或者int(random.random()*4)均可產(chǎn)生0-3的隨機(jī)整數(shù)R。判斷R在哪個(gè)區(qū)間即選擇哪個(gè)用戶。
接下來是尋找隨機(jī)數(shù)在哪個(gè)區(qū)間的方法，
一種方法是按順序遍歷列表并保存已遍歷的元素權(quán)重綜合S，一旦S大于R，就返回當(dāng)前元素。
from operator import itemgetter
users = [('A', 1), ('B', 1), ('C', 2)]
total = sum(map(itemgetter(1), users))
rnd = int(random.random()*total) # 0~3
s = 0
for u, w in users:
s += w
if s > rnd:
return u
不過這種方法的復(fù)雜度是O(N)， 因?yàn)橐闅v所有的users。
可以想到另外一種方法，先按順序把累積加的權(quán)重排成列表，然后對它使用二分法搜索，二分法復(fù)雜度降到O(logN)(除去其他的處理)
users = [('A', 1), ('B', 1), ('C', 2)]
cum_weights = list(itertools.accumulate(map(itemgetter(1), users))) # [1, 2, 4]
total = cum_weights[-1]
rnd = int(random.random()*total) # 0~3
hi = len(cum_weights) - 1
index = bisect.bisect(cum_weights, rnd, 0, hi)
return users(index)[0]
Python內(nèi)置庫random的choices函數(shù)(3.6版本后有)即是如此實(shí)現(xiàn)，random.choices函數(shù)簽名為 random.choices(population, weights=None, *, cum_weights=None, k=1) population是待選列表， weights是各自的權(quán)重，cum_weights是可選的計(jì)算好的累加權(quán)重（兩者選一），k是抽選數(shù)量（有回置抽選）。 源碼如下:
def choices(self, population, weights=None, *, cum_weights=None, k=1):
"""Return a k sized list of population elements chosen with replacement.
If the relative weights or cumulative weights are not specified,
the selections are made with equal probability.
"""
random = self.random
if cum_weights is None:
if weights is None:
_int = int
total = len(population)
return [population[_int(random() * total)] for i in range(k)]
cum_weights = list(_itertools.accumulate(weights))
elif weights is not None:
raise TypeError('Cannot specify both weights and cumulative weights')
if len(cum_weights) != len(population):
raise ValueError('The number of weights does not match the population')
bisect = _bisect.bisect
total = cum_weights[-1]
hi = len(cum_weights) - 1
return [population[bisect(cum_weights, random() * total, 0, hi)]
for i in range(k)]
更進(jìn)一步
因?yàn)镻ython內(nèi)置的random.choices是有回置抽選，無回置抽選函數(shù)是random.sample，但該函數(shù)不能根據(jù)權(quán)重抽選（random.sample(population, k)）。
原生的random.sample可以抽選個(gè)多個(gè)元素但不影響原有的列表，其使用了兩種算法實(shí)現(xiàn), 保證了各種情況均有良好的性能。 (源碼地址：random.sample)
第一種是部分shuffle，得到K個(gè)元素就返回。 時(shí)間復(fù)雜度是O(N)，不過需要復(fù)制原有的序列，增加內(nèi)存使用。
result = [None] * k
n = len(population)
pool = list(population) # 不改變原有的序列
for i in range(k):
j = int(random.random()*(n-i))
result[k] = pool[j]
pool[j] = pool[n-i-1] # 已選中的元素移走，后面未選中元素填上
return result
而第二種是設(shè)置一個(gè)已選擇的set，多次隨機(jī)抽選，如果抽中的元素在set內(nèi)，就重新再抽，無需復(fù)制新的序列。 當(dāng)k相對n較小時(shí)，random.sample使用該算法，重復(fù)選擇元素的概率較小。
selected = set()
selected_add = selected.add # 加速方法訪問
for i in range(k):
j = int(random.random()*n)
while j in selected:
j = int(random.random()*n)
selected_add(j)
result[j] = population[j]
return result
抽獎(jiǎng)應(yīng)用需要的是帶權(quán)無回置抽選算法，結(jié)合random.choices和random.sample的實(shí)現(xiàn)寫一個(gè)函數(shù)weighted_sample。
一般抽獎(jiǎng)的人數(shù)都比獎(jiǎng)品數(shù)量大得多，可選用random.sample的第二種方法作為無回置抽選，當(dāng)然可以繼續(xù)優(yōu)化。
代碼如下：
def weighted_sample(population, weights, k=1):
"""Like random.sample, but add weights.
"""
n = len(population)
if n == 0:
return []
if not 0 <= k <= n:
raise ValueError("Sample larger than population or is negative")
if len(weights) != n:
raise ValueError('The number of weights does not match the population')
cum_weights = list(itertools.accumulate(weights))
total = cum_weights[-1]
if total <= 0: # 預(yù)防一些錯(cuò)誤的權(quán)重
return random.sample(population, k=k)
hi = len(cum_weights) - 1
selected = set()
_bisect = bisect.bisect
_random = random.random
selected_add = selected.add
result = [None] * k
for i in range(k):
j = _bisect(cum_weights, _random()*total, 0, hi)
while j in selected:
j = _bisect(cum_weights, _random()*total, 0, hi)
selected_add(j)
result[i] = population[j]
return result
以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號(hào)聯(lián)系： 360901061
您的支持是博主寫作最大的動(dòng)力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點(diǎn)擊下面給點(diǎn)支持吧，站長非常感激您！手機(jī)微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點(diǎn)擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
