随机加权select
我有这样的数据：
d = ( (701, 1, 0.2), (701, 2, 0.3), (701, 3, 0.5), (702, 1, 0.2), (702, 2, 0.3), (703, 3, 0.5) ) 其中（701,1,2.2）=（id1，id2，优先级）
有一个漂亮的方式来selectid2，如果我知道id1，使用优先级？
函数（701）应该返回：
1 – 20％的情况
2 – 30％
3 – 50％
百分比当然是粗糙的
为每个ID1生成一个累积分布函数：
cdfs = defaultdict() for id1,id2,val in d: prevtotal = cdfs[id1][-1][0] newtotal = prevtotal + val cdfs[id1].append( (newtotal,id2) )
所以你会有
cdfs = { 701 : [ (0.2,1), (0.5,2), (1.0,3) ], 702 : [ (0.2,1), (0.5,2) ], 703 : [ (0.5,3) ] }
然后生成一个随机数并在列表中search它。
def func(id1): max = cdfs[id1][-1][0] rand = random.random()*max for upper,id2 in cdfs[id1]: if upper>rand: return id2 return None
意识到我的第一个答案在math上相当麻烦，我提出了一个新的想法。 我相信这里的algorithm类似于其他几个答案的algorithm，但是这个实现似乎符合这个问题的“漂亮”（如果这相当简单）的要求：
def func(id): rnd = random() sum = 0 for row in d: if row[0] == id: sum = sum + row[2] if rnd < sum: return row[1]
用OP的示例数据是这样的：
- select0到1.0之间的随机数字
- 如果数字
< 0.2返回第一个元素 - 否则，如果数字
< 0.5返回第二个元素 - 否则（如果数字
< 1.0）返回第三个元素
在随机模块上使用离散的均匀分布，然后对其进行分区：
例如，对于情况701，使用10个值的分配，对于2个值返回1，对于另一个3，返回2，对于另一个5返回3。
你可以使用足够的统一分布来构build任何发行版:)
如果您的百分比值不会比整个百分比值更精确，请使用随机数生成器生成一个数字0-99。
然后在你的function，使用（编程）的情况下，select正确的数字。 例如（清理这个）：
如果701
如果random_num <20
返回1
否则，如果随机数<50 //（20 + 30）
返回2
否则如果随机数<100 //（20 + 30 + 50）
返回3
其他
//错误
一个非常快速的黑客：
import random d = { 701: [(1,0.2),(2,0.3),(3,0.5)], 702: [(1,0.2),(2,0.3),(3,0.5)] } def func(value): possible_values=d[value] total=sum(p[-1] for p in possible_values) random_value=random.random() prob=possible_values[0][-1]/total index=1 while index<len(possible_values) and prob<random_value: prob+=possible_values[index][-1]/total index+=1 return possible_values[index-1][0] if __name__=='__main__': testcases=1000 cnt=[0,0,0] for case in xrange(testcases): answer=func(701) cnt[answer-1]+=1 for i in xrange(3): print "Got %d %f%% of the time"%(i+1,float(cnt[i])/testcases*100)
这并不漂亮，但它是首先想到的，似乎按预期工作。
这样做是在区间[0,1）（使用random.random（））获得一个随机值。 然后使用随机值是否落在区间[0,0.2），[0.2,0.5）或[0.5,1）中来确定要返回哪个值。
两个想法（为了使参数名称清晰起见，允许我用分开的选项和比率来说明它们，如果它们包装在一个元组中，则可以保存“zip”）：
a）将权重非规范化以得到整数比率，然后将其放入与列表中一样多的副本中，并使用random.choice 。
def choice_with_ratios(options, ratios): tmp = sum([[v]*n for v, n in zip(options, ratios)], []) return random.choice(tmp)
b）使用归一化权重并开始总结，直到达到随机生成的统一值
def choice_with_weights(options, weights): s = 0 r = random.random() for v, w in zip(options, weights): s += w if s >= r: break return v
顺便说一句，如果第一个字段被用作关键字，你应该把它放在字典里，比如：
d = { 701: ((1, 0.2), (2, 0.3), (3, 0.5), 702: ((1, 0.3), (2, 0.2), (3, 0.5) }
您也可以为每个值创build一个100个元素的列表，然后让random.choice从一个种子列表中进行select，这个列表的成员以您想要的权重进行加载：
import random from collections import defaultdict d = ( (701, 1, 0.2), (701, 2, 0.3), (701, 3, 0.5), (702, 1, 0.2), (702, 2, 0.3), (702, 3, 0.5) ) class WeightedLookup(object): def __init__(self, valueTupleList): self.valdict = defaultdict(list) for key, val, prob in valueTupleList: self.valdict[key] += [val]*(int)(prob*100) def __getitem__(self,key): return random.choice(self.valdict[key]) lookup = WeightedLookup(d) # test out our lookup distribution, sample it 100000 times res = { 1:0, 2:0, 3:0 } for i in range(100000): res[lookup[701]] += 1 # print how many times each value was returned for k in (1,2,3): print k, res[k]
打印：
1 20059 2 30084 3 49857
