python实现以相同规律打乱多组数据

在深度学习的数据训练过程中，虽然tensorflow和pytorch都会⾃带打乱数据进⾏训练的⽅法，但是当我们⾃⼰⽣成数据，或者某些情况下依然要⾃⼰⼿动打乱顺序。

这⾥介绍如何以相同规律打乱X，Y两组数据，多组数据相同道理。

第⼀种：(X,Y是list的格式,不是array)

产⽣相同的种⼦(seed)打乱顺序：

import randomseed =50

x_batch, y_batch,start_num = train_load_order_sharp_5_9(image_list, num, start_num,length)#加载我所有的数据,这⾥想x_batch,Y_batch是list的格式,要注意random.seed(seed)

random.shuffle(x_batch)

random.seed(seed)#⼀定得重复在写⼀遍,和上⾯的seed要相同,不然y_batch和x_batch打乱顺序会不⼀样random.shuffle(y_batch)

第⼆种：zip的⽅式,更加⾼效：(同第⼀种,X,Y是list的格式,不是array)

from random import shuffleshuffle_data=Trueif shuffle_data:

c = list(zip(x_batch,y_batch)) shuffle(c)

x_batch,y_batch = zip(*c)

举个例⼦：

>>> a=[1,2,3,4]

>>> b=[11,22,33,44]>>> c=list(zip(a,b))>>> shuffle(c)>>> a,b = zip(*c)>>> a(2, 4, 3, 1)>>> b

(22, 44, 33, 11)

#这⾥就让a,b以相同的规律被打乱

补充：python打乱列表的⽅法解决问题_Python 如何随机打乱列表(List)排序

现在有⼀个list:[1,2,3,4,5,6]，我需要把这个list在输出的时候，是以⼀种随机打乱的形式输出。专业点的术语：将⼀个容器中的数据每次随机逐个遍历⼀遍。注意：不是⽣成⼀个随机的list集。环境：Python 3.6

解决⽅案：

⽅案⼀：

有⼈可能会通过Random内置函数，来间接实现想要的结果。但是这种⽅式，太原始，也不够优雅，⽽且有种重复造轮⼦的嫌疑。这⾥我就不贴我⾃⼰通过random实现的效果了。

⽅案⼆：

Random中有⼀个random.shuffle()⽅法提供了完美的解决⽅案。代码如下：

x = [1,2,3,4,5,6]random.shuffle(x)

print(x)

输出结果：

第⼀次输出内容：[6, 5, 1, 3, 2, 4]第⼆次输出内容：[6, 1, 3, 5, 2, 4]第三次输出内容：[5, 3, 1, 2, 4, 6]

从结果我们可以看出，输出是完全随机的，代码量就两⾏，不需要random，不需要for循环。源码解读：

def shuffle(self, x, random=None):

\"\"\"Shuffle list x in place, and return None.

原位打乱列表，不⽣成新的列表。

Optional argument random is a 0-argumentfunction returning a random float in [0.0, 1.0);if it is the default None,

the standard random.random will be used.

可选参数random是⼀个从0到参数的函数，返回[0.0,1.0)中的随机浮点；如果random是缺省值None，则将使⽤标准的random.random()。

\"\"\"

if random is None:

randbelow = self._randbelowfor i in reversed(range(1, len(x))):

# pick an element in x[:i+1] with which to exchange x[i]j = randbelow(i + 1)x[i], x[j] = x[j], x[i]else:_int = int

for i in reversed(range(1, len(x))):

# pick an element in x[:i+1] with which to exchange x[i]j = _int(random() * (i + 1))x[i], x[j] = x[j], x[i]

注意 ：

从代码的注释，我们看到random.shuffle()是对原list做修改，如果需要保留原list，请注意这个细节。

以上为个⼈经验，希望能给⼤家⼀个参考，也希望⼤家多多⽀持。如有错误或未考虑完全的地⽅，望不吝赐教。