番外篇：分享一道用Python基础+蒙特卡洛算法实现排列组合的题目（附源码）

大家好，番外法实附源我是篇分Python进阶者。

是享道现排不是觉得很诧异?明明上周刚发布了这篇：分享一道用Python基础+蒙特卡洛算法实现排列组合的题目(附源码)，今天又来一篇，础蒙名曰番外篇!其实今天是特卡题目想给大家分享【🌑(这是月亮的背面)】大佬的解法，拍案叫绝!

前情回顾

前几天在才哥交流群里，洛算列组有个叫【Rick Xiang】的番外法实附源粉丝在Python交流群里问了一道关于排列组合的问题，初步一看觉得很简单，篇分实际上确实是享道现排有难度的。

题目是础蒙：一个列表中有随机15个数，没有重复值。特卡题目从列表里面任意选5个数，洛算列组如何选出来包含a,番外法实附源 a+1的所有组合。a可以是篇分15个数中的任意一个。

关于思路和解决方法，享道现排这篇文章分享一道用Python基础+蒙特卡洛算法实现排列组合的题目(附源码)中提供了【张老师】和【有点意思】大佬的想法和解决方案，亿华云计算一共有5份代码，足够大家学习了，感兴趣的小伙伴快去学习吧，干货满满。

二、新代码

上周五的时候，发布了这篇分享一道用Python基础+蒙特卡洛算法实现排列组合的题目(附源码)原创文章，很庆幸还有粉丝亲自实践，并给出了建设性的方案，如下图所示。

这里先给出【🌑(这是月亮的背面)】大佬的伪代码，这样看上去大家也更加好理解一些。

# -*- coding: utf-8 -*- # 模块化 import random import numpy as np import time # 取出随机的15个数值 def get_random15():     random_array = [np.array(random.sample(range(2000), 15)) for i in range(100000)]     random5 = { get_random5(random15) for random15 in random_array}     return [i for i in random5 if i] # 遍历随机的15个数值，取相邻的两个随机数，判断后返回满足条件的值 def get_random5(random_15):     random_5 = set(random_15[random.sample(range(15), 5)])  # np.array的索引替换choice取值     # 利用set特性判断元素是否含有给定的元素     random_5_resp = { True if len(random_5.intersection({ num, num + 1})) == 2 else False for num in random_5}     return tuple(random_5) if True in random_5_resp else () if __name__ == __main__:     start_time = time.time()     final_result = get_random15()     print("共%d个符合题意的列表" % len(final_result))     print("分别是：%s" % final_result)     end_time = time.time()     used_time = end_time - start_time     print()     print("本次程序用时：{ }".format(time.strftime(%H(小时):%M（分钟）:%S（秒）, time.gmtime(used_time)))) 

这个代码写的真的很好，云南idc服务商没有Python基础的小伙伴看上去肯定有些吃力的，小编自己初看的时候，也觉得有点难以吸收，需要多看几遍，领悟。

这个代码亲测有效，用之前的代码大概需要12秒，改用这个只需要1.5秒。

他这里做了三个优化，其一是之前从15个数中随机取5个值耗时较长，这里用使用了numpy.array的特性来优化代码，在科学计算中，可以省掉很多循环语句，代码使用方面比Python列表简单，Python list 无法直接运算， Numpy Array 可直接运算;其二是删除了之前的去重函数，这里他也用set去优化，所以在这块也节约了时间;其三是使用了集合的交集运算(Intersection)，较之前的if判断来说，节约了时间。

想到这里，不得不感叹一下，源码库【人生苦短，我用python】!

三、总结

我是Python进阶者。本文基于粉丝针对排列组合问题的提问，给出了一个利用Python基础+蒙特卡洛算法的解决方案，基本上可以达到了粉丝的要求。

不过话说回来，这个方案虽是当下最优，但不是永远最优。