如何实现NumPy数组的5次随机重排后平铺拼接？

问题描述 #

假设我有一个数组：

import numpy as np

A = np.linspace(1,5,5)
# 等价于
A = np.array([1,2,3,4,5])

需要将其平铺5次，每次平铺时随机打乱元素顺序，最终得到类似如下的一维数组：

B = np.array([1,2,3,4,5,1,5,2,3,4,3,4,5,1,2,3,5,1,2,4,2,3,1,4,5])

注：第一个平铺块无需保持有序或随机化，怎么简便怎么来。

最优实现方案 #

方案1：简洁高效的拼接方式

直接生成多个打乱后的数组副本，再拼接成一维数组。如果第一个块想直接用原数组（无需打乱），可以调整循环次数：

# 方式1：所有块都随机打乱（包括第一个）
B = np.concatenate([np.random.permutation(A) for _ in range(5)])

# 方式2：第一个块用原数组，后4个随机打乱
B = np.concatenate([A] + [np.random.permutation(A) for _ in range(4)])

说明：np.random.permutation(A)会返回A的随机打乱副本，np.concatenate负责将多个数组拼接成一维，整个过程利用NumPy的C级内置操作，比Python循环逐个添加元素高效得多，尤其适合大规模数组或多次重复的场景。

方案2：基于tile的向量化打乱

如果偏好先复制再打乱的思路，可以用np.tile生成重复数组，再对每一行打乱后展平：

# 生成5行重复的数组
tiled_arr = np.tile(A, (5, 1))
# 对每一行生成随机索引，实现打乱
shuffle_indices = np.random.rand(*tiled_arr.shape).argsort(axis=1)
# 根据索引提取元素并展平
B = tiled_arr[np.arange(tiled_arr.shape[0])[:, None], shuffle_indices].ravel()

说明：这种方式同样是向量化操作，性能和方案1接近，但代码稍复杂，适合需要对重复后的数组做额外处理的场景。

性能对比 #

两种方案都避免了Python层面的循环，利用NumPy的向量化特性，在数组规模较大时，性能远高于手动循环逐个生成元素的方式。其中方案1的代码更简洁直观，是日常场景的首选。

内容的提问来源于stack exchange，提问作者Jack