std::sample是c++17起标准库提供的无放回随机抽样算法，时间复杂度o(n)、空间o(k)，需配合合法随机引擎（如mt19937）、前向迭代器容器及预分配输出空间，k不可超源长度。
用 std::sample 做无放回随机抽样最稳妥
标准库从 C++17 起就提供了 std::sample，它专为高效、无放回抽样设计，底层通常用 Fisher–Yates 变种实现，时间复杂度 O(n)，空间 O(k)（k 为样本数），且不修改原容器。
常见错误是手动写循环 + std::rand() 或反复调用 std::uniform_int_distribution 检查重复——这在 k 接近 n 时退化成 O(n²)，还容易漏掉种子初始化或分布范围错误。
实操建议：
- 必须传入合法的随机数引擎，比如
std::mt19937{std::random_device{}()}，不能用std::rand() - 输入迭代器范围要满足前向迭代器要求（
std::vector、std::array都满足；std::list也行，但性能略差） - 输出目标容器（如
std::vector<int></int>）必须预留足够空间，或用std::back_inserter，否则行为未定义 - 抽样数量 k 不能超过源范围长度，否则结果为空——
std::sample不报错也不抛异常，需提前校验
示例：
std::vector<int> data = {1,2,3,4,5,6,7,8,9,10};
std::vector<int> sample(3); // 预留空间
std::sample(data.begin(), data.end(),
sample.begin(), 3,
std::mt19937{std::random_device{}()});
// sample 现在包含 3 个不重复的随机元素</int></int>
抽样带权重？用 std::discrete_distribution 手动选索引
C++ 标准库没有内置加权抽样（weighted sampling），但可以用 std::discrete_distribution 配合索引映射实现有放回抽样；若需无放回，则得自己维护已选索引集合并重算权重——成本高，只适合小规模数据。
关键点在于：权重数组必须非负，且和不为零；分布对象构造开销较大，不应在循环内重复构造。
实操建议：
- 权重用
std::vector<double></double>或std::vector<float></float>存，避免整型溢出导致归一化失败 - 有放回抽样直接用分布生成索引，再查原数组；无放回则每次剔除已选索引后重建分布——仅当 k ≪ n 时可行
- 注意
std::discrete_distribution返回的是size_t索引，不是迭代器，别直接丢给std::sample
示例（有放回）：
std::vector<int> data = {10,20,30};
std::vector<double> weights = {1.0, 2.0, 0.5}; // 权重比 2:4:1
std::discrete_distribution<size_t> dist(weights.begin(), weights.end());
std::mt19937 gen{std::random_device{}()};
std::vector<int> weighted_sample;
for(int i = 0; i
<h3>小数组（≤100 元素）直接 shuffle + 截取更简单</h3>
<p>当原始数组很小、且允许修改原数据时，<code>std::shuffle</code> + 取前 k 个，比 <code>std::sample</code> 更直观、代码更少，性能差异可忽略。</p>
<p>陷阱在于：如果原数组不能修改，就必须拷贝一份再 shuffle，空间开销翻倍；另外，<code>std::shuffle</code> 对 <code>std::array</code> 支持良好，但对 C 风格数组需传入指针范围，容易写错边界。</p>
<p>实操建议：</p>
<ul>
<li>用 <code>std::shuffle(vec.begin(), vec.end(), gen)</code>，别漏掉第三个参数（引擎）</li>
<li>截取用 <code>vec.begin()</code> 到 <code>vec.begin() + k</code>，确保 k ≤ vec.size()，否则越界</li>
<li>若原数据是 <code>const std::vector<t>&</t></code>，优先选 <code>std::sample</code>，而不是拷贝 + shuffle</li>
</ul>
<h3>性能敏感场景：避免频繁构造引擎和分布</h3>
<p>每抽一次样都新建 <code>std::mt19937</code> 或 <code>std::discrete_distribution</code>，会显著拖慢速度——引擎构造含熵采集，分布构造涉及浮点归一化和前缀和预计算。</p>
<p>真正影响吞吐量的不是抽样算法本身，而是这些“一次性”对象的创建开销。实测在循环中每轮 new 引擎，比复用快引擎慢 5–10 倍。</p>
<p>实操建议：</p>
<ul>
<li>把随机引擎声明为局部静态变量或类成员，复用同一个实例</li>
<li>权重不变时，<code>std::discrete_distribution</code> 也应复用；权重变则只能重建，但可缓存其内部前缀和结构（需自行封装）</li>
<li>多线程环境下注意引擎不可共享，每个线程应持有独立引擎实例</li>
</ul>
<p>容易被忽略的是：<code>std::random_device</code> 构造器调用系统熵源，频繁调用可能阻塞或耗尽资源——它只该用于初始化引擎种子，绝不该放在热循环里。</p></int></size_t></double></int>C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！
