1.随机打乱数组（洗牌算法）
分析洗牌算法正确性的准则：产生的结果必须有 n! 种可能，否则就是错误的。这个很好解释，因为一个长度为 n 的数组的全排列就有 n! 种，也就是说打乱结果总共有 n! 种。算法必须能够反映这个事实，才是正确的。
代码：
def shuffleArr(arr):
l = len(arr)
for i in range(l):
rand = random.randint(i,l-1)
arr[i],arr[rand] = arr[rand],arr[i]
print(arr)
arr = [1,2,3,4,5]
shuffleArr(arr)
2.蓄水池算法
应用场景：长度未知的海量数据流中随机等概率抽取一个数据
算法过程：
假设数据序列的规模为n，需要采样的数量的为k。
首先构建一个可容纳k个元素的数组，将序列的前k个元素放入数组中。
然后从第k+1个元素开始，以\(\frac{k}{n}\)的概率来决定该元素是否被替换到数组中（数组中的元素被替换的概率是相同的）。 当遍历完所有元素之后，数组中剩下的元素即为所需采取的样本。
证明过程：
对于第i个数（\(i≤k\)）。在k步之前，被选中的概率为1。当走到第k+1步时，被k+1个元素替换的概率 = \(k+1\)个元素被选中的概率\(\times\) i被选中替换的概率，即为\(\frac{k}{k+1} \times \frac{1}{k}\)。则被保留的概率为\(1-\frac{1}{k+1}=\frac{k}{k+1}\)。依次类推，不被k+2个元素替换的概率为\(1 - \frac{k}{k + 2} \times \frac{1}{k} = \frac{k + 1}{k + 2}\)。则运行到第n步时，被保留的概率 = 被选中的概率 * 不被替换的概率，即：
\(1 \times \frac{k}{k + 1} \times \frac{k + 1}{k + 2} \times \frac{k + 2}{k + 3} \times … \times \frac{n - 1}{n} = \frac{k}{n}\)
对于第j个数（\(j>k\)）。在第j步被选中的概率为\(\frac{k}{j}\)。不被j+1个元素替换的概率为\(1 - \frac{k}{j + 1} \times \frac{1}{k} = \frac{j}{j + 1}\)。则运行到第n步时，被保留的概率 = 被选中的概率 \(\times\)不被替换的概率，即： \(\frac{k}{j} \times \frac{j}{j + 1} \times \frac{j + 1}{j + 2} \times \frac{j + 2}{j + 3} \times ... \times \frac{n - 1}{n} = \frac{k}{n}\) 所以对于其中每个元素，被保留的概率都为\(\frac{k}{n}\).
代码：
import random
def ReservoirSamplingTest(k):
N = 10
pool = [i for i in range(N)]
result = pool[:k]
for i in range(k,N):
r = random.randint(0,i+1)
if r < k:
result[r] = pool[i]
return result
res = ReservoirSamplingTest(4)
print(res)
参考文献：
【1】洗牌算法深度详解 - 打乱数组 - 力扣（LeetCode）
【2】蓄水池采样算法（Reservoir Sampling） - alfred_zhong - 博客园