为何相同种子下random.sample(k=100)结果不在k=800样本中？

这是Python的random.sample内部算法切换导致的问题，核心是不同的种群规模和采样数量组合会触发不同的采样逻辑，相同种子下消耗的随机数序列不一样，最终导致样本不匹配。

算法切换逻辑 #

random.sample会根据k（采样数）和n（种群大小）的关系自动选择高效算法：

• 当k远小于n：使用增量洗牌算法，类似Fisher-Yates洗牌的前k步，直接生成前k个随机排列的元素。
• 当k接近n（k > n - k）：使用反向采样，随机选择n-k个元素排除，剩下的作为样本。
• 当k介于两者之间：使用随机索引去重算法，不断生成随机索引直到凑够k个不重复的，过程中可能因重复索引消耗更多随机数。

对应你的案例 #

• n=1000：k=800触发反向采样，k=100触发增量洗牌。反向采样生成的前100个元素刚好和增量洗牌结果一致，所以样本完全匹配。
• n=2000：k=100触发增量洗牌，k=800触发索引去重算法。两种算法使用随机数的逻辑不同，即使种子相同，生成的样本顺序也不一样，所以对应位置匹配度低。
• n=5000：k=100和k=800都触发增量洗牌，相同种子下前100个元素完全一致，结果匹配。

解决方案 #

最可靠的方式是先采样大样本，再切片取小样本，代码示例：

import random

for n in 1000, 2000, 5000:
    print(end=f'{n=}: ')
    for i in range(10):
        random.seed(i)
        y = random.sample(range(n), 800)
        x = y[:100]
        print(sum(i==j for i,j in zip(x,y[:100])), end=' ')
    print()

这样能保证x完全是y的子集，且顺序一致，完全符合预期。

至于不同目录的结果差异，本质是不同目录的文件数量（即n）不同，触发了不同的采样算法，和排序无关。

内容的提问来源于stack exchange，提问作者John Karkas