Python生成不重复随机数列表的方法

小岛来信

发布时间：2026-10-30 | 6人浏览过

原创

介绍在Python中生成不重复随机数列表的几种常用且可靠的方法，详细解析random.sample、洗牌算法以及处理海量数据时的场景选择与避坑指南。

在Python中生成不重复随机数列表，最直接且推荐的标准做法是使用标准库内置的 random.sample() 函数。本文将详细讲解这一核心方案的运作逻辑、代码写法，并深入剖析基于洗牌算法（random.shuffle）、集合累加法以及NumPy扩展方案在不同规模和场景下的选择标准与注意事项。

Python生成不重复随机数列表的方法 — 图1：random.sample() 无放回抽取不重复数字的核心执行步骤

方法一：使用标准库 random.sample（推荐首选）

在绝大多数业务开发与数据处理中，random.sample() 是最优雅且性能最平衡的方案。该函数属于无放回随机抽样，天生能够保证抽取到的元素互不相同。

1. 基本语法与调用示例

假设我们需要在 1 到 100 之间随机抽取 10 个互不相同的整数，直接结合 range() 对象即可完成：

import random

# 在 [1, 100] 区间内无放回抽取 10 个整数
result = random.sample(range(1, 101), 10)

print(result)

示例输出：

[47, 12, 85, 3, 91, 28, 64, 19, 73, 55]

2. 原理与内存优势

在 Python 3 中，range(1, 101) 是一个惰性计算的序列对象，不会预先在内存中分配包含 100 个整数的真实列表。random.sample() 会直接基于 range 对象的索引进行计算，在内部通过追踪已抽取位置的方式保证不重复。这意味着即使是从 range(1, 100000000) 中抽取 20 个数，也仅占用极微小的内存空间。

重要边界提醒：如果抽样数量 k 超过了候选池的总元素个数，random.sample() 会直接抛出 ValueError: Sample larger than population or is negative。因此在调用前需确保 k <= len(population)。

方法二：使用洗牌算法 random.shuffle（适合全量重排）

如果目标不仅是获取若干不重复数字，而是需要将某个连续区间的所有数字全部打乱并按序取出，或者数据源本身就是一个既有列表，采用原地洗牌算法 random.shuffle() 会更为直观。

代码实现与截取

import random

# 创建完整连续数字列表
numbers = list(range(1, 11))

# 原地打乱元素顺序
random.shuffle(numbers)

# 获取打乱后的完整列表或前 N 个元素
shuffled_all = numbers
sub_selection = numbers[:5]

print("打乱后的列表:", shuffled_all)
print("截取前5个不重复数:", sub_selection)

示例输出：

打乱后的列表: [8, 2, 5, 1, 9, 3, 10, 4, 7, 6]
截取前5个不重复数: [8, 2, 5, 1, 9]

适用场景限制：此方法需要首先在内存中生成完整的候选列表。当数字范围极大（例如从 1 到 10 亿中选 10 个数字）时，创建 list(range(1, 1000000001)) 会瞬间耗尽系统内存，因此该方案仅适用于候选总体规模相对较小或已有物理列表的场景。

方法三：循环加集合过滤法（初学者常见陷阱与分析）

初学者常常会尝试使用 while 循环结合 set 或 list 查重来生成不重复随机数。理解其弊端有助于避免生产环境中的性能陷阱。

import random

def generate_unique_by_set(count, min_val, max_val):
    unique_numbers = set()
    while len(unique_numbers) < count:
        unique_numbers.add(random.randint(min_val, max_val))
    return list(unique_numbers)

result = generate_unique_by_set(10, 1, 100)
print(result)

为什么不推荐在通用场景使用此方法？

碰撞概率剧增：当要抽取的数量 count 接近取值范围区间的大小时，产生重复数字的概率急剧上升。例如在 1~100 中抽取 99 个数，最后几个数字可能需要成百上千次随机碰撞才能命中，导致执行时间不可预测。
死循环风险：若传入的 count > (max_val - min_val + 1)，循环条件永远无法满足，程序将陷入彻底的死循环。
返回结果无序性：转换为 set 后会丢失原有的生成随机顺序，再次转为 list 时往往表现为半有序状态。

方法四：海量数据与科学计算环境（NumPy Choice）

在涉及科学计算、机器学习或高并发大数据场景时，Python 内置的 random 模块由于是基于 Python 对象的循环抽样，执行速度可能无法满足毫秒级批量需求。此时可以借助 numpy.random.choice。

import numpy as np

# replace=False 表示无放回抽样，确保不重复
numbers = np.random.choice(100, size=10, replace=False)

# 转换回标准 Python 列表
result_list = numbers.tolist()
print(result_list)

示例输出：