在 Python 中，列表和元组中的元素是有顺序的，但是由于元组不可变，所以一般我们涉及到打乱操作，都是针对的列表。
在深度学习中，由于原始训练数据可能存在顺序性，当我们分批成 mini batch 进行学习的时候，后面的数据会对系数影响更大，所以这种顺序性不是我们想要的，我们希望数据的分布更为均匀，所以“打乱顺序”操作用的非常多。
我们需要用到 random 模块下的 shuffle() 方法。
程序实现
>>> import random
>>> list_old = [1, 2, 3, 'A']
>>> random.shuffle(list_old)
>>> list_old
[1, 3, 2, 'A']
>>> random.shuffle(list_old)
>>> list_old
[1, 3, 'A', 2]
这里要注意的是，首先我们需要 import random 模块。
另外，shuffle() 方法是直接对原列表进行操作！
操作后会直接改变原列表！
假设我们用 shuffle() 后进行赋值，那会产生问题：
>>> import random
>>> list_old = [1, 2, 3, 'A']
>>> list_new = random.shuffle(list_old)
>>> list_new
# 这里发现 list_new 没有任何显示
>>> list_old
[1, 3, 2, 'A']
# 而 list_old 已经被改变了
>>> print(type(list_new))
<class 'NoneType'>
# 查看 list_new 发现是 NoneType
