如果你的数组是多维的，np.random.permutation默认沿着第一个轴（列）排列：

>>> np.random.permutation(arr)
array([[ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [ 0,  1,  2,  3],
       [12, 13, 14, 15]])

然而，这会打乱行索引，因此每列具有相同的（随机）顺序。
独立地混洗每一列的最简单的方法可以是在列上循环，并使用np.random.shuffle将每一列混洗到位：

for i in range(arr.shape[1]):
    np.random.shuffle(arr[:,i])

其给出例如：

array([[12,  1, 14, 11],
       [ 4,  9, 10,  7],
       [ 8,  5,  6, 15],
       [ 0, 13,  2,  3]])

如果你有一个非常大的数组，你不想复制它，因为每一列的排列都是在原地完成的，这个方法很有用。另一方面，即使是简单的Python循环也可能非常慢，有更快的NumPy方法，比如@jme提供的方法。

这里有另一种方法：

def permute_columns(x):
    ix_i = np.random.sample(x.shape).argsort(axis=0)
    ix_j = np.tile(np.arange(x.shape[1]), (x.shape[0], 1))
    return x[ix_i, ix_j]

快速测试：

>>> x = np.arange(16).reshape(4,4)
>>> permute_columns(x)
array([[ 8,  9,  2,  3],
       [ 0,  5, 10, 11],
       [ 4, 13, 14,  7],
       [12,  1,  6, 15]])

其思想是生成一堆随机数，然后在每列中独立地argsort它们。这产生了每列索引的随机排列。
请注意，这具有次优的渐近时间复杂度，因为对于大小为m x n的数组，排序需要时间O(n m log m)。但是由于Python的for循环非常慢，因此除了非常高的矩阵之外，您实际上可以获得更好的性能。

要沿着数组的行轴执行排列，可以使用以下代码：

np.random.permutation(arr) # If you want to make a copy of the array

或者：

np.random.shuffle(arr) # if you want to change the array in-place

但是，如果您有一个多维数组，则可以使用以下代码沿着特定轴执行置换：

sampler = np.random.permutation(4) # Size of the selected axis
df.take(sampler, axis=0) # You can select your desired axis from here

例如，假设您要沿着第二个轴排列以下数组：

在轴1上排列

arr = np.arange(20).reshape((4, 5))
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

采样器定义如下：

sampler = np.random.permutation(5)
array([2, 1, 3, 4, 0])

然后，您可以使用take（）方法应用置换：

arr.take(sampler, axis = 1)

Out:
array([[ 1,  2,  3,  0,  4],
       [ 6,  7,  8,  5,  9],
       [11, 12, 13, 10, 14],
       [16, 17, 18, 15, 19]])

如果你想把所有元素沿着所有的轴排列，你可以这样做

np.random.permutation(arr.flatten()).reshape((4, 5)) # This makes a copy of the array