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 random seed =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 shuffle shuffle_data=True if 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-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._randbelow for 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。
