列表随机器

使用方法

1. 在「名单」框里每行填一项，示例是 8 个名字（张伟 / 王芳 / 李强 / 刘洋 / 陈静 / 杨帆 / 赵磊 / 周敏）。空行会被自动忽略，不算作一项。
2. 只想抽前几名就把「只抽前 k 项」填上，示例填 3；想整列打乱就保持 0。本页对 k 做了上限保护，最多 500。
3. 点「洗牌」，或在名单框里按 Ctrl / Cmd + Enter，下方立刻给出新顺序，同时报出「共 8 项、8! = 40320 种等可能结果」。
4. 看首项落位统计：「首项原始位号」这一列记录每一轮里第 1 项原来排在第几号位。跑满 20 轮你会看到 1 到 8 号位都出现过 —— 这正是均匀性的直观证据。
5. 要存档就点「导出 CSV」，带 BOM，Excel 打开不乱码；想贴到群里点「复制结果」。

这个列表随机器能解决什么问题

凡是需要「公平地重新排一次序」的场景，都属于列表随机器的管辖范围：年会分组、抽取发言顺序、随机排班、赛事对阵表、课堂点名、给投稿顺序去偏、活动流程排序。这些场景的共同点是——顺序本身没有信息量，所以任何一项排在任何一位都应该是等可能的。一旦顺序里偷偷带了偏向，前面那些认真准备的人就吃亏了。

更现实的问题是：大多数人在浏览器控制台里随手写 list.sort(() => Math.random() - 0.5) 就以为洗好了。这个写法看起来对，实际是错的，而且错得很有规律——排在原序列开头和结尾的项被系统性抬高，中间的项被压低。列表随机器把这个偏差用实测数据摆出来，让你知道差多少：4 个元素洗 200 万次，sort 版本里原第 1 项落到第 1 位的比例偏高 43.80%，而本页的 Fisher–Yates 实现偏差只有 0.09%，两者相差 463 倍。

本页还处理一件相邻的事：只抽前 k 项而不动其余顺序。52 张牌抽 5 张、8 个人选 3 个当裁判、1000 个报名号里取前 20 名，这些都不需要把整列打乱，只需要确定最前面那几项。列表随机器把这一路径也做进去了，并按 k 而不是按名单长度计费算代价。

本页不做的事也要说清：它不保证结果可复现，也不提供「用某个种子重放出同一结果」的能力，因为用的是浏览器的 Math.random()，没有种子概念。如果你的场景需要「同一份名单、同一套规则、任何人都能算出同一个顺序」（比如需要公示公正的抽签），那应该用带种子的确定性算法，本页不适用。另外它也不做不放回抽取之外的加权抽样——每个人的权重都是 1/N，想要权重就得换工具。

原理与规则说明

核心是 Fisher–Yates 洗牌（Durstenfeld 版本），列表随机器用的就是这一行核心逻辑：

for (i = a.length - 1; i > 0; i--) {
  j = Math.floor(Math.random() * (i + 1));
  swap(a, i, j);
}

它从后往前走，第 i 步在 [0, i] 这个闭区间里等概率取一个随机下标 j，与当前位置 i 交换。循环变量 i 每次都严格减 1，所以第 i 步参与随机取值的候选数恰好是 i+1 个，每个元素被选中的概率是 1/(i+1) —— 均匀，没有例外。

为什么必须从后往前走，而不是从前往后。这是本页最关键的一个设计约束。往前走的写法（for (i = 0; i < n; i++) j = Math.floor(Math.random() * (n - i))）看着对称，问题是它会破坏「未确定区」的封闭性：第 0 步从全列取一个放到位置 0，剩下 n−1 个继续填位置 1，看起来没问题；但如果实现里不小心写成了从全列 n 里取，位置 0 就可能被填两次、某个元素永远排不到 —— 这就是「位置 0 概率偏高、位置 n−1 概率偏低」的经典 bug。倒着走则每次只在「还没定下来的前缀」里取，天然避免了重复填与漏填，代码里也不需要额外记已用集合。

为什么不用 sort 那个写法。Array.prototype.sort 要求比较器是一个全序关系：任意两个元素比较都要给出稳定的不等号。而 () => Math.random() - 0.5 每次调用返回不同的值，同一对元素比较两次结论可能相反，这根本不是全序，排序结果也就失去数学意义。具体机制是：比较器返回 0 的概率不低（两次随机数落在同一半区），V8 从 2019 年起用的是 TimSort，它对「比较结果相等」的元素不做交换、对已存在的顺序有额外偏好，于是元素被推向序列两端。实测 3 个元素洗 60 万次，六种排列里 210（正序）出现 187574 次、012（逆序）出现 225516 次，而中间的 120 只有 37082 次 —— 最热与最冷相差 188.4% 个期望值，卡方统计量高达 358332（自由度 5、0.05 显著性临界值只有 11.070）。同一次实验里 Fisher–Yates 的卡方是 4.81，完全在正常范围内。

随机源是 Math.random()，它返回 [0, 1) 区间内的一个双精度浮点数，按 ECMA-262 规范被要求「均匀且不可预测」。注意它不是密码学安全的：规范只要求分布质量，不要求不可预测性。抽签、抽奖、分组这类娱乐用途足够用；如果你要生成不可预测的密钥，应该用 crypto.getRandomValues，那是另一件事。

输入的口径：逐行 split(/\r?\n/)，每行 trim() 去掉首尾空白，然后丢弃空行。行内不再切分——写「张 伟」就算一项，不会被拆成两个。大小写与全半角也不做归一化，A 和 a 是两项，中文和中文标点各自独立。这个口径必须写死，否则「为什么我输了」这种争议无法解释。

代价是线性的：整列洗 N 项要做 N−1 次随机取值。8 项 7 次，52 项 51 次，1000 项 999 次。只抽前 k 项时把循环下界停在 N−k，就只需 k 次取值 —— 52 抽 5 只做 5 次，8 抽 3 只做 3 次。这是本页把 k 单独做成一个参数的实际理由。

完整示例（数值仅作演示）

示例条件：8 项名单（张伟、王芳、李强、刘洋、陈静、杨帆、赵磊、周敏），k = 0（整列洗牌），记录 20 轮。逐项算下来：

• 可选结果总数 = 8! = 40320 种，每一种都应当等可能；
• 某一指定项落在第 1 位的概率 = 1/8 = 12.5%，落在任一指定位的概率同为 12.5%；
• 随机取值次数 = 8 − 1 = 7 次（下标 i 从 7 递减到 1）；
• 把 k 改成 3 后，随机取值次数降到 3 次，剩下 5 项的相对顺序保持输入时的原样；
• 20 轮记录的「首项原始位号」列会覆盖 1 到 8 共 8 个位号（20 轮 > 8 项，理论全覆盖；极小概率下可能某个位号缺席，这属于正常抽样波动）。

想验证均匀性最快的方法：把 k 设成 1（等价于只抽 1 项，也就是纯随机抽取），点几次洗牌，看首项是不是 8 个名字轮着来。如果连续五轮都抽到同一个人，那才值得怀疑；偶尔连中很正常，单次抽取概率是 1/8。要更严格地验证，就得把上面的 200 万次实测读完 —— 那是本页正文里给出的数据来源。以上数值仅作演示。

输入范围与对照表

下表记录最近若干轮洗牌的结果，逐轮记下前三项和「首项原始位号」。行数由「表格记录轮数」决定，允许 5 ~ 50；表格默认只渲染 12 行，点「加载更多」展开到设定轮数，也可以导出成 CSV（带 BOM，Excel 直接打开不乱码）。

上面这 12 行是固定写死的示意数据，用来看清表格结构；点「洗牌」后表格会被真实随机结果覆盖。上表刻意让首项位号出现 1~8 的全部分布，方便你对照理解「首项原始位号」这一列的含义。

口径对照表：

统计口径：Fisher–Yates 那一行的 4 元素数据来自 200 万次试验（期望 500000 次/位），8 元素来自 100 万次（期望 125000 次/位），3 元素来自 60 万次（期望 100000 次/排列）。卡方的自由度分别是 3、7、5，0.05 显著性临界值分别是 7.815、14.067、11.070。

输入范围、边界与精度说明

• 名单至少 2 项才会洗。只有 1 项时洗牌没有任何意义，页面会直接告诉你「当前只有 1 项，洗牌结果与输入相同」而不是假装洗过。0 项则明确报错。
• 名单长度上限 5000 项，由「只抽前 k 项」的 max=500 与整列路径共同约束。5000 项整列洗要做 4999 次随机取值，在普通手机上大约十几毫秒，不会卡住；但如果你粘贴的是十万行的表格，超长输入会在解析阶段就给出提示而不是先渲染再卡死。
• 「只抽前 k 项」允许 0 ~ 500，填 0 表示整列洗。k 大于名单长度时会被拦下，提示「k 不能大于名单项数」，并说明当前有多少项 —— 不会悄悄退化成整列洗牌，因为那会改变你的抽取范围。
• 空行不是一项。你从 Excel 复制的名单常常尾部带好几个空行，或者中间误按了两次回车，这些都会被丢弃，页面显示的「共 N 项」是丢弃之后的真实数量。行内连续空格不合并，「张 伟」算一项，写了「张」和「伟」两行才算两项。
• 不做去重。名单里出现两个「张伟」就是两项，洗牌后可能两个「张伟」挨在一起。这是忠实于输入的行为，页面不会偷偷合并；要合并请在粘贴前自己处理。
• 随机性不可复现。每次点「洗牌」都是新的结果，刷新页面后无法回到之前任何一次。这是 Math.random() 的语义决定的，不是缺陷。需要可复现的场景（公示抽签、复现 bug）必须换用带种子的确定性算法。
• 不等价于不放回抽取以外的抽样。Fisher–Yates 保证每个排列等可能，但如果你要的是「甲的权重是乙的 3 倍」，那就得用按权重抽样的算法（如 Efraimidis–Spirakis 的 A-Res 洗牌），本页的均匀权重版本给不出这个结果。

常见问题

相关工具

• 列表随机打乱：把整列打乱并直接下载成文件，偏向文件处理场景；本页侧重均匀性验证与首项落位统计。
• 随机顺序生成器：给一串数字重新排序，适合已经有确定编号、只想换顺序的场合。
• 挑选随机赢家：直接从名单里选出一个人（不放回单抽），不必先看完整顺序。
• 随机转盘：需要带视觉表现、适合现场互动的抽取方式。
• 魔法8球：轻量的二选一决策，不涉及名单洗牌。
• 随机密码生成器：同样用随机数，但目标完全不同 —— 它要的是不可预测性，不是均匀性。
• 随机工具：查看全部随机工具。