无需替换的采样算法？

我试图测试偶然发生特定数据群集的可能性。一种可靠的方法是蒙特卡洛模拟，其中数据和组之间的关联会被大量（例如10,000次）随机地重新分配，并且使用聚类指标将实际数据与模拟进行比较以确定ap值。

我已经完成了大部分工作，并使用指针将分组映射到数据元素，因此我计划随机将指针重新分配给数据。问题：没有替换的快速采样方法是什么，以便每个指针在复制数据集中被随机地重新分配？

例如（这些数据只是一个简化的示例）：

数据（n = 12值）-A组：0.1，0.2，0.4 / B组：0.5，0.6，0.8 / C组：0.4，0.5 /
D组：0.2，0.2，0.3，0.5

对于每个复制数据集，我将具有相同的群集大小（A = 3，B = 3，C = 2，D = 4）和数据值，但会将值重新分配给群集。

为此，我可以生成1-12范围内的随机数，分配A组的第一个元素，然后生成1-11范围内的随机数，并分配A组的第二个元素，依此类推。指针的重新分配很快，我将预先分配所有数据结构，但是不进行替换的采样似乎是一个问题，以前可能已经解决了很多次。

首选逻辑或伪代码。

看到我对这个问题的回答O（1）中的唯一（非重复）随机数？。相同的逻辑应该可以完成您想要的工作。