必须用Fisher-Yates算法实现数组重排才能保证抽奖公平，其核心是从后往前遍历，每步在当前位置及之前等概率随机选下标交换；错误写法如sort(() => Math.random() - 0.5)会导致概率偏差。
直接用数组重排（Shuffle）实现抽奖，本质是“先打乱，再按序取”，但**只有当重排本身绝对公平时，抽奖才真正公平**。常见误区是把“看起来乱了”等同于“概率均等”，而实际很多写法存在严重偏差——比如用 sort(() => Math.random() - 0.5)，会导致首尾位置中奖概率显著偏离理论值。
必须用 Fisher-Yates（洗牌算法）做底层重排
这是唯一被数学证明为均匀随机的原地重排算法。核心逻辑：从后往前遍历，每一步都从当前位置及之前所有位置中**等概率随机选一个下标，与当前位交换**。
- JavaScript 示例：
function fisherYates(arr) {
const shuffled = [...arr];
for (let i = shuffled.length - 1; i > 0; i--) {
const j = Math.floor(Math.random() * (i + 1));
[shuffled[i], shuffled[j]] = [shuffled[j], shuffled[i]];
}
return shuffled;
}
- 关键点：
j的取值范围是[0, i]（含端点），不是[0, arr.length)；否则会破坏均匀性。 - 测试验证：对 3 元素数组运行 10 万次，6 种排列出现频次应基本接近 16667 次；错误写法可能让某几种排列出现超 2 万次。
抽奖 ≠ 简单取前 N 个，要匹配业务语义
重排只是工具，怎么用决定是否公平：
- 纯随机抽人（无权重）：对参与者数组执行 Fisher-Yates，再取前 k 个。适合年会抽幸运观众、团建分组等场景。
- 带概率权重的抽奖（如 1% 一等奖）：不能直接 shuffle 奖品数组！因为奖项不是等概率的。正确做法是用「区间划分法」或「别名法」，Fisher-Yates 在这里不适用。
- 防重复中奖（同一人不可中多次）：shuffle 参与者数组后顺序抽取，天然避免重复；若需多次抽奖且允许同一人重复中奖，则每次都要独立 shuffle 或用带放回抽样。
避开高危陷阱：这些写法看似简洁，实则不公平
以下代码在大量实践中已被统计验证存在位置偏差：
-
arr.sort(() => Math.random() - 0.5)：排序比较函数返回值非确定性，违反 sort 稳定性假设，导致分布倾斜。 -
arr.sort(() => Math.random() - Math.random())：虽看似更“随机”，但因比较逻辑不满足传递性，仍无法保证均匀。 - 用
Math.random() * arr.length循环取索引并删除元素：删除操作改变后续索引，未重新归一化概率，越往后抽取偏差越大。
生产环境建议：封装 + 验证 + 监控
不要裸写 shuffle 逻辑：
- 封装为可复用函数，强制要求传入
Random实例（便于测试时注入固定种子）。 - 上线前做小规模统计验证：对固定输入数组跑 10 万次 shuffle，检查每个元素出现在每个位置的频次是否在 ±1.5% 误差内。
- 关键抽奖活动（如金融类、高价值奖品）建议记录每次 shuffle 的随机种子和结果，支持事后审计。
