np.random.choice() 的 p 参数报错主因是浮点误差导致概率和不严格为1，需用 np.array(p)/np.sum(p) 归一化；p 必须非负、无 NaN、长度匹配，且 replace=False 时不能含零值。
为什么 np.random.choice() 的 p 参数总报 ValueError: probabilities don’t sum to 1
不是你算错了，是浮点误差在捣鬼。哪怕你手动写了 [0.3, 0.3, 0.4]，Python 内部存储时可能变成 0.29999999999999996，加起来就不是严格 1.0。
NumPy 校验极严，不接受任何偏离——哪怕 1.0000000000000002 或 0.9999999999999999 都会直接抛错。
- 最稳妥做法：用
np.array(p) / np.sum(p)归一化，别信手写的和 - 如果
p来自计算（比如 softmax 输出），务必做一次归一化再传入np.random.choice() - 检查是否混用了整数权重（如
[3, 3, 4]）却没除以和——p必须是概率，不是原始计数
p 为 None 和显式传入 p 的行为差异
省略 p（即 p=None）时，np.random.choice() 默认均匀采样；一旦指定 p，它就强制要求长度匹配、非负、可归一化。很多人以为“不设 p 就是按索引顺序”，其实不是——它是等概率，跟顺序无关。
-
p=None→ 每个元素概率 =1 / len(a)，无论a是 list 还是 array -
p显式传入 → NumPy 不做任何转换，只校验合法性；不会帮你把[1, 2, 3]自动转成[1/6, 2/6, 3/6] - 注意：如果
a含重复值（如['a', 'a', 'b']），权重作用在位置上，不是值上——两个'a'可以有不同权重
抽样 size > 1 时，replace=False 对 p 的隐含限制
当设 replace=False 且 size 较大时，p 不能含零值，否则可能提前卡住：比如 p=[0.0, 0.5, 0.5]，第一次抽必然避开索引 0，但第二次若只剩索引 0 可选，就会崩。
- NumPy 不会在
replace=False下动态重权，它是一次性按原始p计算初始概率，再做无放回剔除 - 只要
p中有0.0，且size接近数组长度，就容易触发ValueError: Fewer non-zero entries in p than size - 安全做法：先用布尔索引过滤掉
p == 0的项，再对剩余部分归一化并抽样
用 np.random.Generator 替代旧式 np.random.choice() 更可控
老写法 np.random.choice(...) 依赖全局随机状态，难复现；新接口用 np.random.default_rng() 创建独立生成器，p 行为也更透明。
- 推荐写法：
rng = np.random.default_rng(seed=42)<br>samples = rng.choice(a, size=5, p=p_normalized)
- 新接口对
p的容错略高（仍需归一化），但错误信息更明确，比如会指出哪一项是 NaN 或负数 - 旧接口在多线程下可能冲突；新接口的
rng实例是线程安全的
p 数组里混进 NaN 或负数，往往来自中间计算未清洗（比如 log 后没 clip、除零后得 inf）。这类值不会立刻报错，但会让整个 p 失效——NumPy 有时静默跳过，有时崩在下游，调试起来特别绕。 
