如何为np.random.choice设置大数值范围的分段概率分布？

直接给np.random.choice传入0-65535的完整数组并手动设置对应概率，要么会因为概率数组长度匹配问题报错，要么在更大范围场景下浪费内存。这里给两种高效的实现方式：

方法一：分区间生成（推荐） #

先随机选择要生成的数所属的区间，再在对应区间内生成整数，完全不用构建大尺寸的概率数组，效率拉满：

import numpy as np

# 要生成的随机数数量
sample_count = 1000
# 先选区间：0代表0-999，1代表1000-65535，对应概率0.4和0.6
interval_choices = np.random.choice([0, 1], size=sample_count, p=[0.4, 0.6])
# 根据区间生成对应随机数
result = np.where(
    interval_choices == 0,
    np.random.randint(0, 1000, size=sample_count),
    np.random.randint(1000, 65536, size=sample_count)
)

方法二：构建匹配的概率数组（不推荐大场景） #

如果一定要用np.random.choice的完整参数逻辑，需要保证概率数组长度和目标数值范围一致，且总概率和为1：

import numpy as np

sample_count = 1000
total_numbers = 65536
low_range_len = 1000
high_range_len = total_numbers - low_range_len

# 初始化概率数组
prob_array = np.zeros(total_numbers)
# 给0-999的每个数分配相等概率，总概率0.4
prob_array[:low_range_len] = 0.4 / low_range_len
# 给1000-65535的每个数分配相等概率，总概率0.6
prob_array[low_range_len:] = 0.6 / high_range_len

# 生成随机数
result = np.random.choice(np.arange(total_numbers), size=sample_count, p=prob_array)

为什么直接传范围会失败？ #

你之前尝试的方式大概率是没处理好概率数组的长度和总和：np.random.choice要求p参数的长度必须和输入的数值数组一致，且所有概率值的总和必须严格等于1（允许微小浮点误差）。如果直接给前1000个数设0.4、后面设0.6，总概率会远大于1，自然会报错。

内容的提问来源于stack exchange，提问作者Vahid Heidaripour