本文我們詳細(xì)地介紹下兩個模塊關(guān)于生成隨機序列的其他使用方法。
隨機數(shù)參與的應(yīng)用場景大家一定不會陌生,比如密碼加鹽時會在原密碼上關(guān)聯(lián)一串隨機數(shù),蒙特卡洛算法會通過隨機數(shù)采樣等等。Python內(nèi)置的random模塊提供了生成隨機數(shù)的方法,使用這些方法時需要導(dǎo)入random模塊。
import random
下面介紹下Python內(nèi)置的random模塊的幾種生成隨機數(shù)的方法。
1、random.random()隨機生成 0 到 1 之間的浮點數(shù)[0.0, 1.0)。注意的是返回的隨機數(shù)可能會是 0 但不可能為 1,即左閉右開的區(qū)間。
print("random: ", random.random()) #random: 0.5714025946899135
2、random.randint(a , b)隨機生成 a 與 b 之間的整數(shù)[a, b],a<=n<=b,隨機整數(shù)不包含 b 時[a, b)可以使用 random.randrange() 方法。
print("randint: ", random.randint(6,8)) #randint: 8
3、random.randrange(start,stop,step)按步長step隨機在上下限范圍內(nèi)取一個隨機數(shù),start<=n<stop。
print("randrange: ",random.randrange(20,100,5)) #randrange: 85
4、random.uniform(a, b)隨機生成 a 與 b 之間的浮點數(shù)[a, b],a<=n<=b。
print("uniform: ",random.uniform(5,10)) #uniform: 5.119790163375776
5、random.choice()從列表中隨機取出一個元素,比如列表、元祖、字符串等。注意的是,該方法需要參數(shù)非空,否則會拋出 IndexError 的錯誤。
print("choice: ",random.choice("www.yuanxiao.net")) #choice: y
6、random.shuffle(items) 把列表 items 中的元素隨機打亂。注意的是,如果不想修改原來的列表,可以使用 copy 模塊先拷貝一份原來的列表。
num = [1, 2, 3, 4, 5] random.shuffle(num) print("shuffle: ",num) #shuffle: [1, 3, 5, 4, 2]
7、random.sample(items, n)從列表 items 中隨機取出 n 個元素。
num = [1, 2, 3, 4, 5] print("sample: ",random.sample(num, 3)) #sample: [4, 1, 5]
Python 的random模塊產(chǎn)生的隨機數(shù)其實是偽隨機數(shù),依賴于特殊算法和指定不確定因素(種子seed)來實現(xiàn)。如randint方法生成一定范圍內(nèi)的隨機數(shù),會先指定一個特定的seed,將seed通過特定的隨機數(shù)產(chǎn)生算法,得到一定范圍內(nèi)隨機分布的隨機數(shù)。因此對于同一個seed值的輸入產(chǎn)生的隨機數(shù)會相同,省略參數(shù)則意味著使用當(dāng)前系統(tǒng)時間秒數(shù)作為種子值,達(dá)到每次運行產(chǎn)生的隨機數(shù)都不一樣。
random.seed(2) print("random: ", random.random()) #random: 0.9560342718892494 random.seed(3) print("random: ", random.random()) #random: 0.23796462709189137 random.seed(3)#同一個種子值,產(chǎn)生的隨機數(shù)相同 print("random: ", random.random()) #random: 0.23796462709189137
numpy庫也提供了random模塊,用于生成多維度數(shù)組形式的隨機數(shù)。使用時需要導(dǎo)入numpy庫。
import numpy as np
下面介紹下numpy庫的random模塊的幾種生成隨機數(shù)的方法。
1、numpy.random.rand(d0,d1,…,dn)
返回值為指定維度的array
print("np.random.rand:\n {}".format(np.random.rand(4,2))) # shape: 4*3 """ np.random.rand: [[0.5488135 0.71518937] [0.60276338 0.54488318] [0.4236548 0.64589411] [0.43758721 0.891773 ]] """ print("np.random.rand:\n {}".format(np.random.rand(4,3,2))) # shape: 4*3*2 """ np.random.rand: [[[0.96366276 0.38344152] [0.79172504 0.52889492] [0.56804456 0.92559664]] [[0.07103606 0.0871293 ] [0.0202184 0.83261985] [0.77815675 0.87001215]] [[0.97861834 0.79915856] [0.46147936 0.78052918] [0.11827443 0.63992102]] [[0.14335329 0.94466892]
[0.52184832 0.41466194]
[0.26455561 0.77423369]]]
"""
2、numpy.random.randn(d0,d1,…,dn)
標(biāo)準(zhǔn)正態(tài)分布—-standard normal distribution
標(biāo)準(zhǔn)正態(tài)分布又稱為u分布,是以0為均值、以1為標(biāo)準(zhǔn)差的正態(tài)分布,記為N(0,1)。
print("np.random.randn:\n {}".format(np.random.randn())) # 當(dāng)沒有參數(shù)時,返回單個數(shù)據(jù) """ np.random.randn: 2.2697546239876076 """ print("np.random.randn:\n {}".format(np.random.randn(2,4))) """ np.random.randn: [[-1.45436567 0.04575852 -0.18718385 1.53277921] [ 1.46935877 0.15494743 0.37816252 -0.88778575]] """ print("np.random.randn:\n {}".format(np.random.randn(4,3,2))) """ np.random.randn: [[[-1.98079647 -0.34791215] [ 0.15634897 1.23029068] [ 1.20237985 -0.38732682]] [[-0.30230275 -1.04855297] [-1.42001794 -1.70627019] [ 1.9507754 -0.50965218]] [[-0.4380743 -1.25279536] [ 0.77749036 -1.61389785] [-0.21274028 -0.89546656]] [[ 0.3869025 -0.51080514] [-1.18063218 -0.02818223] [ 0.42833187 0.06651722]]] """
3、numpy.random.randint(low, high=None, size=None, dtype='l')
返回隨機整數(shù),范圍區(qū)間為[low,high),包含low,不包含high
參數(shù):low為最小值,high為最大值,size為數(shù)組維度大小,dtype為數(shù)據(jù)類型,默認(rèn)的數(shù)據(jù)類型是np.int
high沒有填寫時,默認(rèn)生成隨機數(shù)的范圍是[0,low]
print("np.random.randint:\n {}".format(np.random.randint(1,size=5))) # 返回[0,1)之間的整數(shù),所以只有0 """ np.random.randint: [0 0 0 0 0] """ print("np.random.randint:\n {}".format(np.random.randint(1,5)))# 返回1個[1,5)時間的隨機整數(shù) """ np.random.randint: 2 """ print("np.random.randint:\n {}".format(np.random.randint(-5,5,size=(2,2)))) """ np.random.randint: [[-5 -3] [ 2 -3]] """
4、numpy.random.seed()
np.random.seed()的作用:使得隨機數(shù)據(jù)可預(yù)測。
當(dāng)我們設(shè)置相同的seed,每次生成的隨機數(shù)相同。如果不設(shè)置seed,則每次會生成不同的隨機數(shù)
總結(jié)
以上所述是小編給大家介紹的Python內(nèi)置random模塊生成隨機數(shù)的方法,希望對大家有所幫助,如果大家有任何疑問請給我留言,小編會及時回復(fù)大家的。在此也非常感謝大家對億速云網(wǎng)站的支持!
如果你覺得本文對你有幫助,歡迎轉(zhuǎn)載,煩請注明出處,謝謝!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。