Python利用random模塊生成隨機(jī)數(shù)

今天就跟大家聊聊有關(guān)Python利用random模塊生成隨機(jī)數(shù)，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結(jié)了以下內(nèi)容，希望大家根據(jù)這篇文章可以有所收獲。

一、概述

random模塊

用于生成偽隨機(jī)數(shù)

之所以稱之為偽隨機(jī)數(shù)，是因?yàn)檎嬲饬x上的隨機(jī)數(shù)（或者隨機(jī)事件）在某次產(chǎn)生過(guò)程中是按照實(shí)驗(yàn)過(guò)程中表現(xiàn)的分布概率隨機(jī)產(chǎn)生的，其結(jié)果是不可預(yù)測(cè)的，是不可見(jiàn)的。而計(jì)算機(jī)中的隨機(jī)函數(shù)是按照一定算法模擬產(chǎn)生的，其結(jié)果是確定的，是可見(jiàn)的。我們可以這樣認(rèn)為這個(gè)可預(yù)見(jiàn)的結(jié)果其出現(xiàn)的概率是100%。所以用計(jì)算機(jī)隨機(jī)函數(shù)所產(chǎn)生的“隨機(jī)數(shù)”并不隨機(jī)，是偽隨機(jī)數(shù)。

計(jì)算機(jī)的偽隨機(jī)數(shù)是由隨機(jī)種子根據(jù)一定的計(jì)算方法計(jì)算出來(lái)的數(shù)值。所以，只要計(jì)算方法一定，隨機(jī)種子一定，那么產(chǎn)生的隨機(jī)數(shù)就是固定的。

只要用戶或第三方不設(shè)置隨機(jī)種子，那么在默認(rèn)情況下隨機(jī)種子來(lái)自系統(tǒng)時(shí)鐘。

Python的這個(gè)庫(kù)在底層使用通用的算法，經(jīng)過(guò)長(zhǎng)久的考驗(yàn)，可靠性沒(méi)得說(shuō)，但絕對(duì)不能用于密碼相關(guān)的功能。

二、基本方法

random.seed(a=None, version=2)

初始化偽隨機(jī)數(shù)生成器。如果未提供a或者a=None，則使用系統(tǒng)時(shí)間為種子。如果a是一個(gè)整數(shù)，則作為種子。

random.getstate()

返回一個(gè)當(dāng)前生成器的內(nèi)部狀態(tài)的對(duì)象

random.setstate(state)

傳入一個(gè)先前利用getstate方法獲得的狀態(tài)對(duì)象，使得生成器恢復(fù)到這個(gè)狀態(tài)。

random.getrandbits(k)

返回一個(gè)不大于K位的Python整數(shù)（十進(jìn)制），比如k=10，則結(jié)果在0~2^10之間的整數(shù)。

三、針對(duì)整數(shù)的方法

random.randrange(stop)

random.randrange(start, stop[, step])

等同于choice(range(start, stop, step))，但并不實(shí)際創(chuàng)建range對(duì)象。

random.randint(a, b)

返回一個(gè)a <= N <= b的隨機(jī)整數(shù)N。等同于 randrange(a, b+1)

四、針對(duì)序列類結(jié)構(gòu)的方法

random.choice(seq)

從非空序列seq中隨機(jī)選取一個(gè)元素。如果seq為空則彈出 IndexError異常。

random.choices(population, weights=None, *, cum_weights=None, k=1)

3.6版本新增。從population集群中隨機(jī)抽取K個(gè)元素。weights是相對(duì)權(quán)重列表，cum_weights是累計(jì)權(quán)重，兩個(gè)參數(shù)不能同時(shí)存在。

random.shuffle(x[, random])

隨機(jī)打亂序列x內(nèi)元素的排列順序。只能針對(duì)可變的序列，對(duì)于不可變序列，請(qǐng)使用下面的sample()方法。

random.sample(population, k)

從population樣本或集合中隨機(jī)抽取K個(gè)不重復(fù)的元素形成新的序列。常用于不重復(fù)的隨機(jī)抽樣。返回的是一個(gè)新的序列，不會(huì)破壞原有序列。要從一個(gè)整數(shù)區(qū)間隨機(jī)抽取一定數(shù)量的整數(shù)，請(qǐng)使用sample(range(10000000), k=60)類似的方法，這非常有效和節(jié)省空間。如果k大于population的長(zhǎng)度，則彈出ValueError異常。

五、真值分布

random模塊最高端的功能其實(shí)在這里。

random.random()

返回一個(gè)介于左閉右開(kāi)[0.0, 1.0)區(qū)間的浮點(diǎn)數(shù)

random.uniform(a, b)

返回一個(gè)介于a和b之間的浮點(diǎn)數(shù)。如果a>b，則是b到a之間的浮點(diǎn)數(shù)。這里的a和b都有可能出現(xiàn)在結(jié)果中。

random.triangular(low, high, mode)

返回一個(gè)low <= N <=high的三角形分布的隨機(jī)數(shù)。參數(shù)mode指明眾數(shù)出現(xiàn)位置。

random.betavariate(alpha, beta)

β分布。返回的結(jié)果在0~1之間

random.expovariate(lambd)

指數(shù)分布

random.gammavariate(alpha, beta)

伽馬分布

random.gauss(mu, sigma)

高斯分布

random.lognormvariate(mu, sigma)

對(duì)數(shù)正態(tài)分布

random.normalvariate(mu, sigma)

正態(tài)分布

random.vonmisesvariate(mu, kappa)

卡帕分布

random.paretovariate(alpha)

帕累托分布

random.weibullvariate(alpha, beta)

六、可選擇的生成器

class random.SystemRandom([seed])

使用 os.urandom() 方法生成隨機(jī)數(shù)的類，由操作系統(tǒng)提供源碼，不一定所有系統(tǒng)都支持

七、典型的例子

>>> random()               # 隨機(jī)浮點(diǎn)數(shù): 0.0 <= x < 1.0
0.37444887175646646
>>> uniform(2.5, 10.0)          # 隨機(jī)浮點(diǎn)數(shù): 2.5 <= x < 10.0
3.1800146073117523
>>> randrange(10)            # 0-9的整數(shù)：
7
>>> randrange(0, 101, 2)         # 0-100的偶數(shù)
26
>>> choice(['win', 'lose', 'draw'])   # 從序列隨機(jī)選擇一個(gè)元素
'draw'
>>> deck = 'ace two three four'.split()
>>> shuffle(deck)            # 對(duì)序列進(jìn)行洗牌，改變?cè)蛄?
>>> deck
['four', 'two', 'ace', 'three']
>>> sample([10, 20, 30, 40, 50], k=4)  # 不改變?cè)蛄械某槿≈付〝?shù)目樣本，并生成新序列
[40, 10, 50, 30]
>>> # 6次旋轉(zhuǎn)紅黑綠輪盤(帶權(quán)重可重復(fù)的取樣)，不破壞原序列
>>> choices(['red', 'black', 'green'], [18, 18, 2], k=6)
['red', 'green', 'black', 'black', 'red', 'black']
>>> # 德州撲克計(jì)算概率Deal 20 cards without replacement from a deck of 52 playing cards
>>> # and determine the proportion of cards with a ten-value
>>> # (a ten, jack, queen, or king).
>>> deck = collections.Counter(tens=16, low_cards=36)
>>> seen = sample(list(deck.elements()), k=20)
>>> seen.count('tens') / 20
0.15
>>> # 模擬概率Estimate the probability of getting 5 or more heads from 7 spins
>>> # of a biased coin that settles on heads 60% of the time.
>>> trial = lambda: choices('HT', cum_weights=(0.60, 1.00), k=7).count('H') >= 5
>>> sum(trial() for i in range(10000)) / 10000
0.4169
>>> # Probability of the median of 5 samples being in middle two quartiles
>>> trial = lambda : 2500 <= sorted(choices(range(10000), k=5))[2] < 7500
>>> sum(trial() for i in range(10000)) / 10000
0.7958

看完上述內(nèi)容，你們對(duì)Python利用random模塊生成隨機(jī)數(shù)有進(jìn)一步的了解嗎？如果還想了解更多知識(shí)或者相關(guān)內(nèi)容，請(qǐng)關(guān)注億速云行業(yè)資訊頻道，感謝大家的支持。