python中random.sample()方法可以随机地从指定列表中提取出N个不同的元素，但在实践中发现，当N的值比较大的时候，该方法执行速度很慢，如：

numpy random模块中的choice方法可以有效提升随机提取的效率：

需要注意的是，需要置replace为False，即抽取的元素不能重复，默认为True。

补充知识：Python: random模块的随即取样函数：choice()，choices()，sample()

choice(seq): 从seq序列中（可以是列表，元组，字符串）随机取一个元素返回

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

从population中进行K次随机选取，每次选取一个元素（注意会出现同一个元素多次被选中的情况），weights是相对权重值，population中有几个元素就要有相对应的weights值，cum_weights是累加权重值，例如，相对权重〔10, 5, 30，5〕相当于累积权重〔10, 15, 45，50〕。

在内部，在进行选择之前，相对权重被转换为累积权重，因此提供累积权重节省了工作。返回一个列表。

sample(population, k)从population中取样，一次取k个，返回一个k长的列表。

可以像这样使用sample(range(10000000), k=60)

以上这篇基于Python中random.sample()的替代方案就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持。