当前位置:首页 > 文章列表 > Golang > Go教程 > Go math/rand.Shuffle 怎样原地打乱切片

Go math/rand.Shuffle 怎样原地打乱切片

来源:17golang原创 2026-11-16 10:18:52 0浏览 收藏

调用 rand.Shuffle(len(items), swap),并在 swap 回调中执行 items[i], items[j] = items[j], items[i],即可原地打乱切片。函数不返回新切片,改变的是回调访问的那份数据;如果原始目录还要继续使用,应先复制元素再打乱。

官方文档:https://pkg.go.dev/math/rand#Shuffle

先确定是否允许修改原切片

设想一个课程候选列表:目录按学习顺序保存,首页希望随机展示。直接打乱目录虽然少一次元素复制,却会让后续使用同一底层数组的代码看到变化。这里的选择依据是数据归属,不是服务部署在哪个平台。

约束选择代价
独占数据且允许改顺序直接 Shuffle原顺序丢失
保留目录供其他逻辑读取复制后 Shuffle增加一份元素存储
需要复现问题局部 Rand 配合固定输入管理随机源状态

仅写 display := catalog 只复制切片描述符,仍共享底层数组。对于含指针、map 或子切片的元素,元素复制也不是深拷贝;它隔离的是外层排列,不能隔离所有内部对象修改。

目录与展示副本的静态所有权结构图
结构图:独立外层数组负责隔离排列,元素内部引用另行管理。

用交换回调打乱完整元素

下面的完整示例把目录复制给展示层,再交换 Card 整体。这样 ID 与 Label 一直属于同一条记录。代码是可自行运行的教学示例,未附实际运行结果;一次随机排列完全可能与原顺序相同,不能把“必须有变化”当成正确条件。

package main

import (
 "fmt"
 "math/rand"
)

type Card struct {
 ID string
 Label string
}

func main() {
 catalog := []Card{{"p1", "入门"}, {"p2", "进阶"}, {"p3", "示例"}, {"p4", "练习"}}
 // 复制元素到独立底层数组,展示顺序不影响原目录。
 display := append([]Card(nil), catalog...)
 rand.Shuffle(len(display), func(i, j int) {
  // 交换完整记录,避免 ID 和名称失去对应关系。
  display[i], display[j] = display[j], display[i]
 })
 fmt.Println("原目录:", catalog)
 fmt.Println("展示副本:", display)
}

Shuffle 只知道元素个数以及如何交换,既不接收切片本身,也不替你校验业务字段。回调应完成两个指定位置的交换,不要在其中 append、删除元素、换成另一份长度不一致的切片,或者只修改局部变量而未写回元素。

需要复现时使用局部随机源

一般展示任务可直接使用包级 Shuffle。需要重放某个教学或测试场景时,使用 rand.New(rand.NewSource(seed)) 构造独立实例,调用它的 Shuffle 方法。下面片段放在导入 math/rand 的函数内:

// 每次复现从同一份输入和新建的局部随机源开始。
r := rand.New(rand.NewSource(73))
items := []string{"甲", "乙", "丙", "丁"}
r.Shuffle(len(items), func(i, j int) {
 items[i], items[j] = items[j], items[i]
})

固定 seed 并不意味着同一实例每次调用都产生同一排列:随机源状态会推进。复现还需要相同初始元素顺序、相同的随机调用顺序以及兼容的程序环境。不要依赖其他模块共享的随机源,也不要用包级 Seed 去控制新的代码;当前官方文档已将其标为弃用,并注明 Go 1.24 起默认无操作。

随机源与交换函数的静态依赖结构图
结构图:局部 Rand 绑定局部 Source,Shuffle 的交换函数绑定目标切片;关系线不表示执行先后。

明确索引、并发与空切片边界

n 是参与排列的元素个数。把它设为目标切片的 len,回调使用对应索引;负 n 会 panic。nil 切片和空切片的长度均为零,没有元素需要交换;不要人为传入负数表示“跳过”。只传小于长度的 n 时,仅涉及前 n 个逻辑元素,不会自动选择任意子区间。

包级随机函数可并发调用,不代表同一切片可以并发写。共享底层数组仍要通过所有权或锁保护;局部 Rand 与 NewSource 也不应在没有同步的情况下被多个 goroutine 共用。最清楚的组织方式通常是由单个任务持有自己的展示副本及随机源。

math/rand 用于伪随机任务,不应用它承担密码学安全要求。本文讨论普通列表排列,不把随机展示解释为严格轮换、去重或每人必定得到不同顺序。

落地选择与常见问题

把选择落到调用点:先明确原数据能否变更,再决定是否复制;用目标长度调用 Shuffle;交换完整元素;需要复现就隔离随机源与输入。排查时关注元素是否仍完整、字段对应关系是否保留,以及是否意外改动共享目录,避免用某个特定排列作为随机正确性的证据。

为什么原切片也跟着变化?

通常是另一个切片变量仍引用同一底层数组。复制变量不会复制元素,需要像示例那样创建独立元素存储。

为什么相同 seed 仍出现不同顺序?

检查是否复用了已经消耗随机数的 Rand,或者输入本身已经被上一次 Shuffle 改过。seed 相同只是复现条件之一。

能不能只交换名称字段?

如果名称必须对应 ID,就应交换整条记录。只换一个字段会破坏数据关系,随机源无法替你修复。

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
Go encoding/gob.Decoder.Decode 怎样处理流式数据结束Go encoding/gob.Decoder.Decode 怎样处理流式数据结束
上一篇
Go encoding/gob.Decoder.Decode 怎样处理流式数据结束
Go compress/zlib.NewWriterLevel 怎样选择压缩级别
下一篇
Go compress/zlib.NewWriterLevel 怎样选择压缩级别
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。
    1048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。
    1045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。
    1206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。
    1151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。
    995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