如何基于元素属性对列表进行概率排序？附User对象示例

你想要实现的是概率性排序——让actual_rating越高的用户，越大概率排在列表靠前的位置，但又不是绝对的降序排列对吧？结合你的代码示例，这里有几个简洁易读的实现方式，完全满足你的需求：

方法1：基于Numpy的加权随机抽样（兼容性好） #

如果你的项目已经在使用Numpy（就像你生成用户列表的代码那样），这个方法直接顺手就能用：

import numpy as np
import random  # 补充导入你代码里用到的random模块

class User:
    def __init__(self, name, rating, actual_rating):
        self.name: str = name
        self.rating: int = rating
        self.actual_rating: int = actual_rating

# 生成用户列表（保留你原来的逻辑）
users = []
for actual_rating in np.random.binomial(10000, 0.157, 1000):
    users.append(User(str(random.random()), 1500, actual_rating))

# 核心：按actual_rating加权进行无重复抽样
weights = [user.actual_rating for user in users]
# 归一化权重，确保总和为1（Numpy的p参数要求概率和为1）
normalized_weights = np.array(weights) / sum(weights)
# 无重复抽取所有用户，得到概率排序后的列表
sorted_users = np.random.choice(users, size=len(users), replace=False, p=normalized_weights).tolist()

这个方法的逻辑很直观：把每个用户的actual_rating作为“被优先选中”的权重，归一化后得到每个用户的选中概率，然后无重复地抽取所有用户——这样actual_rating越高的用户，被抽到靠前位置的概率就越大。

方法2：用Python标准库实现（轻量无依赖） #

如果你的Python版本是3.10及以上，直接用标准库的random.sample就能搞定，不需要额外依赖Numpy：

import random

# （User类和用户列表生成逻辑和上面一致，这里省略）

# 核心：利用random.sample的weights参数实现加权抽样
weights = [user.actual_rating for user in users]
sorted_users = random.sample(users, k=len(users), weights=weights)

这个写法更简洁，原理和上面完全相同，只是用了标准库的工具，适合不想引入Numpy的场景。

额外小技巧：调整概率相关性强度 #

如果你想让高actual_rating的用户概率优势更明显（或者更弱），只需要修改权重的计算方式：

• 比如想放大高评分的优势：weights = [user.actual_rating ** 2 for user in users]
• 想弱化优势：weights = [np.sqrt(user.actual_rating) for user in users]（需要Numpy，或者用math.sqrt）

另外，如果存在actual_rating为0的用户，为了避免他们完全没有被抽到的概率，可以给权重加一个小偏移量：weights = [user.actual_rating + 1 for user in users]

内容的提问来源于stack exchange，提问作者Vivek Joshy