sample_without_replacement

sklearn.utils.random.sample_without_replacement(n_population, n_samples, method='auto', random_state=None)

不放回地抽取整数样本。

从集合 [0, n_population) 中选择 n_samples 个不重复的整数。

参数:

n_populationint

要从中抽样的集合的大小。

n_samplesint

要抽样的整数个数。

random_stateint, RandomState instance or None, default=None

如果为 int，则 random_state 是随机数生成器使用的种子；如果为 RandomState 实例，则 random_state 是随机数生成器；如果为 None，则随机数生成器是 np.random 使用的 RandomState 实例。

method{“auto”, “tracking_selection”, “reservoir_sampling”, “pool”}, default=’auto’

如果 method == “auto”，则根据 n_samples / n_population 的比例来确定使用哪种算法：如果比例在 0 到 0.01 之间，则使用跟踪选择（tracking selection）。如果比例在 0.01 到 0.99 之间，则使用 numpy.random.permutation。如果比例大于 0.99，则使用水塘抽样（reservoir sampling）。所选整数的顺序未定义。如果需要随机顺序，则应将所选子集打乱。

如果 method ==”tracking_selection”，则使用基于集合的实现，适用于 n_samples <<< n_population 的情况。

如果 method == “reservoir_sampling”，则使用水塘抽样算法，适用于内存限制高或 O(n_samples) ~ O(n_population) 的情况。所选整数的顺序未定义。如果需要随机顺序，则应将所选子集打乱。

如果 method == “pool”，则基于池的算法特别快，甚至比跟踪选择方法更快。然而，必须初始化包含整个总体的向量。如果 n_samples ~ n_population，则水塘抽样方法更快。

返回:

outndarray of shape (n_samples,)

抽样的整数子集。所选整数的子集可能不是随机化的，请参阅 method 参数。

示例

>>> from sklearn.utils.random import sample_without_replacement
>>> sample_without_replacement(10, 5, random_state=42)
array([8, 1, 5, 0, 7])