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。

产生相同的种子(seed)打乱顺序：

import randomseed =50x_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

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。

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-argument

function 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 = intfor 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好吧啦网。如有错误或未考虑完全的地方，望不吝赐教。