python中random.sample()方法可以隨機地從指定列表中提取出N個不同的元素，但在實踐中發現，當N的值比較大的時候，該方法執行速度很慢，如：

numpy random模組中的choice方法可以有效提升隨機提取的效率：

需要注意的是，需要置replace為False，即抽取的元素不能重複，預設為True。

補充知識：Python: random模組的隨即取樣函式：choice()，choices()，sample()

choice(seq): 從seq序列中（可以是列表，元組，字串）隨機取一個元素返回

choices(population,weights=None,*,cum_weights=None,k=1)：

從population中進行K次隨機選取，每次選取一個元素（注意會出現同一個元素多次被選中的情況），weights是相對權重值，population中有幾個元素就要有相對應的weights值，cum_weights是累加權重值，例如，相對權重〔10,5,30，5〕相當於累積權重〔10,15,45，50〕。

在內部，在進行選擇之前，相對權重被轉換為累積權重，因此提供累積權重節省了工作。返回一個列表。

sample(population,k)從population中取樣，一次取k個，返回一個k長的列表。

可以像這樣使用sample(range(10000000),k=60)

以上這篇基於Python中random.sample()的替代方案就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。