当前位置:首页 > 文章列表 > Golang > Go教程 > Go 怎么随机打乱切片并抽取不重复的元素

Go 怎么随机打乱切片并抽取不重复的元素

来源:17golang原创 2026-09-06 07:26:35 0浏览 收藏

在 Go 里,这个问题最好拆成两个动作:如果要改变已有切片的排列,用 math/rand/v2 的 rand.Shuffle;如果要抽取 k 个不重复的位置,用 rand.Perm 先生成随机下标,再读取前 k 项。后者不会因为“随机数碰巧重复”而陷入重试,也能清楚处理数量边界。

普通抽样优先使用 Shuffle 或 Perm;需要保留原切片时先复制,涉及令牌、验证码等不可预测结果时改用 crypto/rand。

本文示例使用 math/rand/v2。它产生的是伪随机数,适合模拟、抽样和普通业务随机化,不应承担安全随机数职责。

切片随机化和抽样其实是两个动作

“随机打乱”要求所有元素仍然保留,只是顺序变化;“随机抽取”只需要得到部分元素,而且每个位置最多取一次。两者都可以建立在随机排列上,但副作用不同:

目标推荐 API是否修改原切片结果特点
打乱全部元素rand.Shuffle是长度不变,元素仍是原集合
抽取不重复元素rand.Perm否先得到不重复下标,再取前 k 项
原始切片、rand.Shuffle 和交换回调之间的静态关系
图1:语义色块关系图展示原始切片、rand.Shuffle、swap 回调和新排列之间的职责关系;它是结构说明图,不是运行截图。

用 rand.Shuffle 原地打乱已有切片

Shuffle 接收元素数量和一个交换函数。回调中的两个下标由随机化过程传入,业务代码只负责交换对应元素:

package main

import (
	"fmt"
	"math/rand/v2"
)

func main() {
	items := []string{"北京", "上海", "广州", "深圳"}

	// Shuffle 会直接修改 items 的元素顺序,不会创建新的切片。
	rand.Shuffle(len(items), func(i, j int) {
		items[i], items[j] = items[j], items[i]
	})

	fmt.Println(items)
}

这里的关键是“原地”:如果其他代码还持有 items 的引用,它看到的顺序也会改变。切片为空时 len(items) 为 0,调用仍然安全;但不要在回调里访问固定下标或修改切片长度。

若需要保留原顺序,可以先复制,再对副本洗牌:

shuffled := append([]string(nil), items...)

// 只打乱副本,items 仍保持原来的顺序。
rand.Shuffle(len(shuffled), func(i, j int) {
	shuffled[i], shuffled[j] = shuffled[j], shuffled[i]
})

用 rand.Perm 抽取不重复下标

抽样不必循环调用 IntN 再用 map 去重。rand.Perm(n) 直接返回 0 到 n-1 的随机排列,因此取前 k 个下标就能保证“按位置不重复”:

package main

import (
	"fmt"
	"math/rand/v2"
)

func Pick(items []string, k int) ([]string, bool) {
	// k 不在合法区间时返回 false,避免切片越界。
	if k  len(items) {
		return nil, false
	}

	indexes := rand.Perm(len(items))
	selected := make([]string, 0, k)
	for _, index := range indexes[:k] {
		// 每个 index 在排列中只出现一次,因此位置不会重复。
		selected = append(selected, items[index])
	}
	return selected, true
}

func main() {
	items := []string{"A", "B", "C", "D", "E"}
	selected, ok := Pick(items, 3)
	if !ok {
		return
	}
	fmt.Println(selected)
}

k == 0 会得到空结果,k == len(items) 会得到全部元素的随机排列。需要注意的是,“不重复”针对的是下标;如果原切片里有两个相同字符串,它们位于不同位置,结果仍可能出现相同的值。

候选切片、rand.Perm、不重复下标和抽样结果之间的静态关系
图2:语义色块关系图把候选切片、随机排列、抽样数量和结果集合分开,帮助判断不重复保证来自下标排列,而非字符串值去重。

什么时候应该换成 crypto/rand

math/rand/v2 的顶层函数适合普通并发调用,但它仍是伪随机源,不能用来生成密码重置令牌、验证码、会话标识或需要抗预测的抽签结果。此类场景应使用 crypto/rand,并按其 API 读取随机字节或随机整数。

还要留意两个边界:第一,rand.Perm 会创建与候选数量相关的下标切片,超大集合应评估内存;第二,多 goroutine 共享自建的 Rand 或 Source 需要同步,顶层函数和自建随机器的并发规则不要混用。

常见问题

洗牌后还能拿到原切片吗?能,但它已经被原地改序;想同时保留两个版本就先复制。

为什么不用循环 IntN 直到拿够 k 个?那种写法需要额外的去重集合,候选接近取完时还会不断碰撞;Perm 把唯一性放在下标排列里,边界更直接。

速记:改顺序用 Shuffle,抽不重复位置用 Perm,保留原数据先复制,安全场景使用 crypto/rand。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
samhelper支持哪些设备?三星One UI、Android 5.0与兼容边界说明samhelper支持哪些设备?三星One UI、Android 5.0与兼容边界说明
上一篇
samhelper支持哪些设备?三星One UI、Android 5.0与兼容边界说明
Postman 怎么把登录响应里的 Token 用到下一个请求
下一篇
Postman 怎么把登录响应里的 Token 用到下一个请求
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    579次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    619次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    650次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    615次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    431次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码