一副扑克牌：
const arr = ["A","2","3","4","5","6","7","8","9","10","J","Q","K","S"]
通过何种方式洗牌才是足够乱的呢？
如果单论“洗牌”二字，很多前端的伙计肯定想都不想就这么写了：
arr.sort(()=> Math.random() - 0.5)
但我这里强调了“足够乱”，是否让你驻足思考下，如何才能证明一个洗牌算法是足够乱的？
“足够乱”说明每张牌出现在任意位置的概率理论上应该是接近的，按照统计学的说法，当独立重复实现足够多的时候，实验数据越接近理论数据。
如何表示某张牌出现在某位置的概率？
有点费解，我们这里换下概念，把“概率”换成“次数”，表述换成：
如何表示实验xx次，某张牌出现在某位置的次数呢？
这好办，如下：
let ret = {
"A-0": 12, // 表示A出现在0位置12次
"A-1": 6, // 表示A出现在1位置6次
"2-1": 9 // 表示2出现在1位置9次
// ...
}
定好数据结构，我们就可以来实现我们的统计算法了：
function statistics(shuffle, loopCount = 2e5) {
const arr = ["A", "2", "3", "4", "5", "6", "7", "8", "9", "10", "J", "Q", "K", "S"]
let obj = {}
let i = 0
while (i++ < loopCount) {
let copy = shuffle(arr)
for (let j = 0; j < arr.length; j++) {
// 打乱后 j 位置的字符
let item = copy[j]
// 以item与j组合 记录出现次数
const key = `${item}-${j}`
if (obj[key] === undefined) obj[key] = 0
obj[key]++
}
}
// 为了看出差异，我们按次数排序，并放到数组中
return Object.keys(obj)
.sort((a, b) => obj[b] - obj[a])
.reduce((acc, cur) => [...acc, { [cur]: obj[cur] }], [])
}
我们把上面那个“洗牌算法”，稍微改造下，以适配这个统计函数：
function shuffle(arr) {
let copy = [...arr]
return copy.sort(() => Math.random() - 0.5)
}
测试一波：
// 测试20万次出结果
const ret = statistics(shuffle, 2e5)
console.log(ret)
// [{"A-0":30278},{"S-6":25056},{"S-13":24947},{"A-1":23413}...{"4-13":8261},{"2-12":7133},{"2-13":3190}]
注意到：20万次试验中，A出现在位置0处的次数达30278（概率约为15.14%），而2出现在位置13处的次数仅有3190次（概率约为1.60%）,结果明显不均匀。
多重复几次的结果：
[{"A-0":30354},{"S-13":25075},{"S-6":24972},{"A-1":23243}...{"4-13":8115},{"2-12":7175},{"2-13":3182}]
[{"A-0":30421},{"S-13":24925},{"S-6":24847},{"A-1":23298}...{"4-13":8328},{"2-12":7124},{"2-13":2998}]
[{"A-0":30248},{"S-13":24944},{"S-6":24888},{"A-1":23321}...{"4-13":8348},{"2-12":7230},{"2-13":3134}]
[{"A-0":30151},{"S-6":25103},{"S-13":24851},{"A-1":23201}...{"4-13":8125},{"2-12":6950},{"2-13":3226}]
[{"A-0":29966},{"S-6":24984},{"S-13":24941},{"A-1":23181}...{"4-13":8354},{"2-12":7078},{"2-13":3032}]
// ...
我们还是得换种方式实现洗牌算法(Fisher–Yates shuffle)：
function shuffle(arr) {
let copy = [...arr]
let i = copy.length, j;
// 倒着循环
while (i--) {
// 从[0,i) 随机找一个位置j
j = parseInt(Math.random() * i);
// 交换位置i与位置j处的值
[copy[i], copy[j]] = [copy[j], copy[i]]
}
return copy;
}
实现其实很简单，不会写记住就好了，总有你会用到的场合
再测试一波：
// 测试20万次出结果
const ret = statistics(shuffle, 2e5)
console.log(ret)
// [{"3-6":15716},{"Q-2":15715},{"A-12":15686},{"K-10":15681}...{"3-13":15152},{"5-5":15124},{"S-12":15101}]
已经肉眼可见的“均匀”了，我们算下概率：概率最高的A出现在位置13处的概率约为7.89%，而概率最低的6出现在位置10处的位置约为7.54%，差距已经在0.3%左右了。
多重复几次的结果
[{"5-13":15678},{"10-6":15667},{"3-8":15621},{"10-11":15612}...{"10-8":15127},{"8-11":15081},{"7-3":15033}]
[{"4-5":15756},{"6-4":15755},{"K-0":15655},{"4-6":15654}...{"4-0":15069},{"S-7":15006},{"A-0":1}]
[{"A-8":15741},{"8-1":15681},{"4-2":15656},{"K-7":15627}...{"J-9":15112},{"4-1":15100},{"A-0":1}]
[{"K-0":15705},{"5-6":15621},{"Q-2":15614},{"5-3":15596}...{"S-6":15119},{"5-12":15105},{"K-7":15088}]
[{"2-11":15804},{"7-1":15770},{"5-12":15745},{"K-7":15727}...{"S-0":15106},{"7-9":15075},{"K-3":15057}]
// ...
上面的数据，是跑了20w遍测试得到的，而我自己后面在尝试加到100w次试验时，这个差距降到了0.1%左右。
[{"5-12":77936},{"3-9":77495},{"J-13":77464},{"2-12":77445}...{"J-3":76355},{"2-11":76273},{"2-9":76233}]
你说会写测试代码重不重要？
