基于@TaQ的答案：

np.random.choice(n, k, replace = False)

等同于MatLab的randperm()。
更新：我也会更新他的答案来标记它。

我可以推荐你np.random.choice(n, k, replace = False)。然而，我不确定内存效率。请参考docs

numpy.random.choice(n, k, replace=False)的内存效率并不比numpy.random.permutation(n)[:k]高。它也会创建一个包含n项的临时列表，对该列表进行置乱，并从该列表中获取k项。请参见：

• Comparison of np.random.choice vs np.random.shuffle for samples without replacement

然而，从NumPy 1.17开始，numpy.random.*函数(如numpy.random.choice和numpy.random.permutation)已成为遗留函数，出于向后兼容的原因，它们的算法-效率低下和全部-预计将保持不变(请参见最近的RNG policy for NumPy)。
幸运的是，从1.17版开始，NumPy有一个替代方案：numpy.random.Generator.choice，它使用了更高效的实现，如下所示：

In [227]: timeit np.random.choice(4000000, 48, replace = False)                                  
163 ms ± 19.3 ms per loop (mean ± std. Dev. Of 7 runs, 1 loop each)

In [228]: timeit np.random.permutation(4000000)[:48]                                             
178 ms ± 22.5 ms per loop (mean ± std. Dev. Of 7 runs, 1 loop each)

In [229]: r=numpy.random.default_rng()                                                           

In [230]: timeit r.choice(4000000,48,replace=False)                                              
14.5 µs ± 28.9 ns per loop (mean ± std. Dev. Of 7 runs, 100000 loops each)

如果您使用的是NumPy 1.17或更高版本，则应该在较新的应用程序中使用1.17版中引入的新的伪随机数生成系统，包括numpy.random.Generator。