排列数的粗线条计算 说人话就是，排列数就是把一堆不一样东西，分先后顺序排下去的数学公式。别被“阶乘”、“多重选择”这些词绕晕了，本质就是“选”和“做”的组合拳。
比如你手里有 3 个苹果，A、B、C，目前要做两件事：第一件事，你挑两个苹果，肯定是 CBA 一种排法，ABC 又一种，AB 一种，随意想想就是 3 个点全排，记作 P(3,3) 或 A(3,3)；第二件事，你挑一个做蛋糕，又是 3 个选项。
这时候，既然苹果已经被“吃”掉要么“选”出去，剩下那两个位置还得填剩下的苹果，那剩下的两个苹果如何排？这就得用排列数公式，实际上就是 P(2,2)，也就是 2 个位置填 2 个苹果，结局还是 2 种。 咱们具体算算看，用公式 P(n,k) 来表示从 n 个不同元素里挑 k 个不放回做排列。
这公式的写法挺好办的，实际上是 n 的阶乘除以 k 的阶乘。
也就是说，P(n,k) = n! / (n-k)!，这个公式略微复杂点，得把 n! 拆开写，再把 n-k 的阶乘补回去。 举个例子，算 P(5,3)，就是从 5 个不一样的东西里挑 3 个按顺序排。
这里 n=5，k=3。
那公式就是 5! / (5-3)!，也就是 5! / 2!。展开来看，5! 是 5×4×3×2×1，等于 120。而 2! 是 2×1，等于 2。
故此算式变成 120 除以 2，结局是 60 种排法。
这逻辑挺好办，不用管中间扯淡的多重排列，直接套公式乘除就好。 再换个情形，要是 n 和 k 差不多大，比如 P(6,4)，就是从 6 个挑 4 个排。
那公式就是 6! / (6-4)!，也就是 6! / 2!。6! 是 720，2! 是 2，720 除以 2 等于 360。
这时候你会发现，实际上只要把 n-k 分子变成 1 就最好了，出于除以 1 等于乘 1，彻底没影响。
故此 P(n,k) = n × (n-1) × ... × (n-k+1)。 这种写法在计算超大数据的时候特别撇脱，出于不需求算大数阶乘。
比如 P(10,8)，直接从 10 乘到 3，就 8 个数相乘，这样手算也不累。 回到刚刚的苹果例子，要是你要做两件事：先挑两个苹果排好序，再挑一个蛋糕排好序。
那这就得用乘法原理。
第一步 P(3,2)，也就是从 3 个苹果里挑 2 个排，结局是 3! / 1! = 6。
第二步 P(3,1)，也就是从 3 个苹果里挑 1 个做蛋糕，结局是 3! / 2! = 3。出于两步是分开的，故此总排法就是 6 乘以 3，等于 18 种。 这里有个小技巧，你能够先算所有可能的苹果组合数，然后再乘以位置数。组合数是 C(3,2) = 3 种，每种组合位置能够换 2! 种，3×2=6。蛋糕是单独排序，3 种选择。6 乘 3 就是 18。结局一样，但思路更顺。
有时候反着想，有时候顺着想，看哪个逻辑更顺畅，就直接用哪个。 实际应用场景里，这个公式用得贼多。
比如比赛报名人数，10 个人里选 3 个人组队，1 个人当队长，如何组队算？这就得算 P(10,3)。
要么抽奖，1000 个号码里抽 5 个分别给奖，1 个对应第 1 名，1 个对应第 2 名，这就像两家饭店菜单一样，每条都能对应一个具体的人。 再讲讲工资结算。公司 20 人，按组发工资，每组 2 人，共 10 组，每组发 500，组内顺序也是算的吗？这就不是好办的乘积了，出于组内顺序实际上不关键，要不就是内部排名。
这时候得用组合数 C(20,10) 算有多少种分组方式，每组内部再算 2 人全选的那种排列（实际上这时候组内顺序是固定的，出于组就是组，但要是是内部排序，还得看具体规则）。
要么更好办的，要是是给每人定个工资等级，10 个等级里选 2 个给 20 个人排，那就不是好办的常数倍数了，得用 P(20,2) 乘以每个等级对应的人数，要么根据题目具体如何给。 还有抽奖，1000 个球，每次抽一个留一个，抽了 5 个，这 5 个哪位是哪位没法区分，故此用 C(1000,5)。
要是 1000 个球，第一次抽一个给 A，第二次抽一个给 B，第三次给 C...直到第 5 个给第 5 个，每个人拿一个，那是 P(1000,5)。
这种区别实际上就是顺序和组合的大事。 有时候不需求算大数，能够用组合数来估算。
比如 1000 个人里随机选 10 个人，有多少种可能？要是算出来是 P(1000,10)，那显然忒大了，直接写数字没意义。
这时候用 C(1000,10) 就能拿到一个相对合理的数量级。 在实际编程里，Python 的 math.comb 函数直接算组合数，而 python 内置的 itertools.permutations 函数直接算排列。
不用手动乘除，代码一行搞定。
比如 P(5,3)，直接写一个循环，5 从 0 启动往下减 3 次，每次更新当前选个，再乘上前面没选到的数，最终除以 1。也就是连续取 3 个数相乘，最终乘 1。 降序排列，就是 P(5,3) = 5×4×3 = 60。从大到小算，先乘 5，乘 4 是 20，再乘 3 是 60。
要是是 P(10,8)，那就是 10×9×8×7×6×5×4×3，一共 8 个数。把 10 乘 9 是 90，再乘 8 是 720，持续乘下去，实际上这就是 10 到 3 的连乘。 在统计学里，常用超几何分布，就是 P(n,k) 的形式，用来算不放回抽样。
比如从 500 个产品里抽 50 个，抽到 6 个坏品的概率。
这时候 n 是总体 500，k 是抽到的 50，m 是里面坏品的实际数量，公式就是 C(n,k) / C(n,m)。别看这里用组合数，但在计算概率时，最终会除以总样本数，要么用更复杂的公式，但底层逻辑还是排列。 排列数最特殊的点在于，当 n 挺大时，n! 增长得飞快，故此计算 P(n,k) 时，要管住变量。
比如 P(100,5)，直接算 100 的阶乘就忒傻了。
这时候换个思路，P(100,5) 等于 100 乘 99 乘 98 乘 97 乘 96。
这时候分母实际上是 1，不用管了，直接乘 5 个数。 还有一种情况，n 比 k 大大量，比如 P(100,8)。
这时候你不能从 100 乘 99，出于那样就超了。得从 100 乘 92，出于最终要乘（100-8+1）也就是 93 个数。
故此 P(100,8) = 100×99×98×97×96×95×94×93。
这时候要记住，乘数是从 n 启动往下减，一直减到 n-k+1。 有时候题目说“从 10 个人里挑 3 个人开会”，默认是选人，不管顺序。
这时候用 C(10,3)。但要是 P(10,3)，那就是选人还要分先后。
比如张三、李四、王五，先选张三，再选李四，最终选王五，这和先选王五再选李四再选张三，别看人没变，但顺序不同，故此算两个数。
这跟抓阄不一样，抓阄顺序是固定的，但排列不是。 在日常生活里，比如预订桌号。10 个桌号里订 3 个。
要是座位是固定的，那 C(10,3)。但要是座位本身是动态的，比如靠窗的 3 个位置，那 10 个位置里选 3 个靠窗的，这就得看靠窗位置如何选。假设 3 个靠窗位置是固定的，那 10 个位置里选 3 个靠窗，就是从 7 个一般/平平位置里选 3 个，加上 3 个固定位置，这又变成组合了。 实际上排列数公式 P(n,k) 的核心思想就是“乘法原理”。每一件可行的操作，都让总可能性扩大。
比如选第一个，有 n 种可能；选第二个，有 n-1 种可能；选第三个，有 n-2 种可能……选到第 k 个，有 n-k+1 种可能。把所有可能连乘起来，就是总数。 除以 (n-k)! 这一步，是为了消除重复。出于我们在选第一个的时候，实际上已经隐含地寻思了后面位置的关系。
比如选 A 再选 B，和选 B 再选 A，在排列里是两种，但在组合里是一种。我们选的时候是从大到小，故此每次选的都是剩下的不同位置。
比如 P(4,2)，先选一个位置，有 4 种可能，剩下 3 个位置，再选一个，有 3 种可能，最终选一个，有 2 种可能。4×3×2×1 这样算出来就是 24。但实际只需求 2 个位置，故此要把后面两个位置互换的情况合并掉。 合并掉的情况是，后面的位置互换。
比如选 A 在第一个位置，B 在第二个位置，这和 B 在第一个位置，A 在第二个位置，实际上代表的是同一种“选两个”的情况，但在排列里算作两种。
故此把每个最终排列重复计算了 (n-k)! 次。 举个例子，P(3,2)。从 3 个选 2 个。 实际有 3 种：ABC, BAC, BCA。 按公式算：3×2 = 6。 为啥是 6？出于 3×2 是算每个元素在两个位置的可能。A 在第一个位置（2 个位置），B 在第一个位置（2 个位置），C 在第一个位置（2 个位置）。 A, B：A 在 1 号位，B 在 2 号位；A 在 1 号位，B 在 2 号位（重复了？不对，应当是位置固定）。 换个想法，P(3,2) = 3! / 1!。 3! 是 A B C 三个全排列，共 6 种。 1! 是 1 的阶乘，等于 1。 6 / 1 = 6。 这说明 A B C 三个全排列里，只有 6 种，但我们要的是 AB, AC, BA, BC, CA, CB 这 6 种，正好就是 6 种。 出于我们要从 3 个元素里选 2 个，剩下 1 个自动就是那个。 故此 P(n,k) = n! / (n-k)! = 全排列数！ 出于一旦选了 k 个元素并拍板它们的位置，剩下的 n-k 个元素的位置也就固定了，没法换。 故此 P(n,k) 实际上等于从 n 个里选 k 个的排列数。 要是题目问“从 3 个人里选 2 人坐 2 个凳子”，而凳子是有区别的（比如左凳、右凳），那就要算 P(3,2)。
要是凳子是一样的，且座位固定，那就算 C(3,2)。 要是题目是“在 3 个人里选 2 个人开会”，没说哪位先哪位后，那就是 C(3,2)。 在考试里，看到 P(n,k) 就套公式。
看到“全排列”就 P(n,n) = n!。
看到“组合”就 C(n,k)。 收到数字，先估算。
要是 n=100, k=2，那 P(100,2) 明显是 100×99。 要是 n=100, k=99，那 P(100,99) = 100。 要是 n=100, k=1，那 P(100,1) = 100。 实际上 P(n,k) 等于 C(n,k) 乘以 k!。
比如 P(3,2) = C(3,2) × 2! = 3 × 2 = 6。 这个关系一辈子成立。 有时候题目会说“排列数”但实际上是“组合”，这时候得回头检查题目。
要是是“坐 N 个椅子，A 坐 B 个”，那就是 C(N,A)。
要是是“A 坐 B 个，顺序挺关键”，那就是 P(N,A)。 想象你在排代码。10 行代码里，第 1 行放 1 行代码，第 2 行放 2 行代码... 这跟排列数有点像。 要么你在填表，第一行填 3 个数字，第二行填 2 个数字。
第一行填 100 个数字，第二行填 99 个数字。
这实际上是乘积。 但要是是从 100 行里挑 3 行，第 1 行放 1 行，第 2 行放 2 行，第 3 行放 3 行，那也相当于一种排列。 总而言之，排列数 P(n,k) 就是 n 的阶乘除以 n-k 的阶乘。用起来就是乘 k 个数相乘。 计算的时候，要是 n 挺大，就乘 n 从 n-k+1 启动往下乘 k 个数。 要是 n 比 k 大大量，比如 P(1000,5)，那就是 1000×999×998×997×996。 这时候不用算阶乘，直接乘就行。 在实际应用中，这个公式是概率论的基石。
比如三分之一下，1/3 的概率。 比如抛硬币 3 次，正面第二次出现的概率。 第一次正面，第二次正面，最终一次正面。 要么第一次正面，第二次反面，第三次正面。 要么第一次反面，第二次正面，第三次正面。 要么第一次反面，第二次反面，第三次正面。 要么第一次正面，第二次反面，第三次反面。 要么第一次反面，第二次正面，第三次反面。 要么第一次反面，第二次反面，第三次反面。 这里就是 P(3,3) 算正，但得排除第一次是反数的情况。 实际上这就是排列数在统计里的用武之地。 计算量大不大，看 n 和 k。
要是 n=100000, k=500，那直接算就是 100000 到 500 的乘积，肯定算不出来，得用组合数要么近似公式。 但在小数据下，直接套公式最准。 比如 P(10,5) = 10×9×8×7×6 = 30240。 P(10,6) = 10×9×8×7×6×5 = 151200。 P(10,7) = 10×9×8×7×6×5×4 = 604800。 P(10,8) = 10×9×8×7×6×5×4×3 = 1814400。 P(10,9) = 10×9×8×7×6×5×4×3×2 = 3628800。 P(10,10) = 3628800。 P(11,2) = 12×11 = 132。 P(11,4) = 11×10×9×8 = 7920。 这些数字，在算法竞赛、数据科学、统计学里随处由此可见。 在算法题里，求 P(n,k) 的效率。出于 n! 增长忒快，故此一般 k 不会给得忒大，要么 n 和 k 给得不大。 要是 k 挺大，那只能算 P(n,k)。 要是 k 挺小，比如 k=2，那 P(n,2) = n×(n-1)。 要是 k=1，那 P(n,1) = n。 总而言之，排列数公式就是 n! / (n-k)!。 用到哪儿算哪儿。 不用想忒多，套公式，乘数从 n 往下减，就知道结局了。
