如何结合np.random.choice使用条件语句，确保op1[i]≥op2[i]？

直接用两次独立的np.random.choice做不到同时满足条件和保持原数组的均匀分布——因为独立采样必然会出现op1<op2的情况，过滤这类样本会改变原数组的边缘分布（比如arr1中较小的值会因为匹配的合法op2更少，最终出现的概率降低）。

不过可以通过两种方式实现满足条件的均匀采样：

方法1：预先生成所有合法配对后采样 #

先构造所有满足a ≥ b的(a, b)配对，再从这些配对中均匀采样，这样每个合法配对被选中的概率完全一致，自然满足条件。

代码示例：

import numpy as np

arr1 = np.arange(1000, 5001, 500)
arr2 = np.arange(1000, 3001, 500)

# 生成所有符合条件的(a, b)配对
valid_pairs = [(a, b) for a in arr1 for b in arr2 if a >= b]
valid_pairs_np = np.array(valid_pairs)

# 随机选择100个配对（允许重复采样）
sample_indices = np.random.choice(len(valid_pairs_np), 100, replace=True)
op1, op2 = valid_pairs_np[sample_indices, 0], valid_pairs_np[sample_indices, 1]

方法2：拒绝采样（逐个生成直到满足条件） #

如果不想预先构造所有配对，可以逐个生成样本，若不满足op1[i]≥op2[i]则丢弃重选，直到得到符合条件的样本。这种方法适合数组规模较大、预构造配对占内存的场景，在本案例中因为合法配对比例较高（约78%），效率也很高。

代码示例：

import numpy as np

arr1 = np.arange(1000, 5001, 500)
arr2 = np.arange(1000, 3001, 500)

op1 = np.empty(100, dtype=int)
op2 = np.empty(100, dtype=int)

for i in range(100):
    while True:
        a = np.random.choice(arr1)
        b = np.random.choice(arr2)
        if a >= b:
            op1[i] = a
            op2[i] = b
            break

注意点 #

如果你的需求是让op1完全保持原arr1的均匀分布、op2完全保持原arr2的均匀分布，同时满足op1[i]≥op2[i]，这是不可能实现的——因为独立均匀采样必然存在不满足条件的样本，过滤后会破坏原有的边缘分布。上述两种方法得到的是条件均匀分布（在满足op1≥op2的前提下的均匀采样）。

内容的提问来源于stack exchange，提问作者metanoia