如何在NumPy中高效复现MATLAB的randperm函数？

当你用np.random.permutation(n)[:k]实现类似MATLAB的randperm(n, k)时，确实会先创建长度为n的数组再截取前k个元素——当n远大于k时，这种方式会浪费大量内存。下面是两种更内存高效的直接生成目标数组的方法：

1. 优先使用np.random.choice（推荐） #

NumPy的choice函数支持直接生成指定数量的无重复随机整数，底层采用部分Fisher-Yates洗牌算法，只会生成需要的k个元素，不会额外占用n长度的内存空间。

基本用法（注意MATLAB是1-based索引，NumPy默认0-based）：

# 生成0到n-1中k个不重复的随机整数
np.random.choice(n, k, replace=False)

# 若要和MATLAB一致返回1到n的整数，只需加1
np.random.choice(n, k, replace=False) + 1

如果需要固定随机种子（保证结果可复现），推荐使用新的随机数生成器API：

rng = np.random.default_rng(42)  # 42为自定义种子值
result = rng.choice(n, k, replace=False) + 1  # 输出1-based结果

2. 手动实现部分Fisher-Yates洗牌（进阶） #

如果需要完全自定义逻辑，也可以手动实现Fisher-Yates洗牌的前k步，避免创建完整数组：

def randperm(n, k):
    result = np.arange(k)
    for i in range(k):
        j = np.random.randint(i, n)
        result[i], result[j] = result[j], result[i]
    return result + 1  # 返回1-based结果

不过这种方法的效率不如官方实现的choice，除非有特殊需求，否则优先用第一种方案。

内存对比示例 #

假设n=10^6，k=100：

• 原方法：先创建长度1e6的数组，占用约8MB（float64类型）
• choice方法：仅创建长度100的数组，占用约800字节，内存消耗仅为原方法的0.01%

内容的提问来源于stack exchange，提问作者Royi