前言

  随机数可以用于数学，游戏，安全等领域中，还经常被嵌入到算法中，用以提高算法效率，并提高程序的安全性。平时数据分析各种分布的数据构造也会用到。

  random模块，用于生成伪随机数，之所以称之为伪随机数，是因为真正意义上的随机数（或者随机事件）在某次产生过程中是按照实验过程中表现的分布概率随机产生的，其结果是不可预测的，是不可见的。而计算机中的随机函数是按照一定算法模拟产生的，对于正常随机而言，会出现某个事情出现多次的情况。

  但是伪随机在事情触发前设定好，就是这个十个事件各发生一次，只不过顺序不同而已。现在MP3的随机列表就是用的伪随机，把要播放的歌曲打乱顺序，生成一个随机列表而已，每个歌曲都播放一次。真实随机的话，会有出现某首歌多放次的情况，歌曲基数越多，重放的概率越大。

注意：random()是不能直接访问的，需要导入 random 模块，然后通过 random 静态对象调用该方法。

import random
list(dir(random))
['BPF', 'LOG4','NV_MAGICCONST','RECIP_BPF','Random','SG_MAGICCONST',
'SystemRandom','TWOPI','betavariate','choice','choices','expovariate','gammavariate',
'gauss','getrandbits','getstate','lognormvariate','normalvariate',
'paretovariate','randint','random','randrange','sample','seed',
'setstate','shuffle','triangular','uniform','vonmisesvariate','weibullvariate']

#加载所需要的包
import random
import matplotlib.pyplot as plt
import seaborn as sns

random.random()

描述：random.random() 用于生成一个0到1的随机符点数: 0 <= n < 1.0
语法：random.random()

#生成一个随机数
random.random()
0.7186311708109537

#生成一个4位小数的随机列表
[round(random.random(),4) for i in range(10)]
[0.1693, 0.4698, 0.5849, 0.6859, 0.2818, 0.216, 0.1976, 0.3171, 0.2522, 0.8012]

#生成一串随机数
for i in range(10):
print(random.random())
0.4386055639247348
0.4394437853977078
0.231862963682833
0.6483168963553342
0.12106581255811855
0.7043874986531355
0.38729519658498623
0.6492256157170393
0.463425050933564
0.2298431522075462

random.choice()

描述：从非空序列seq中随机选取一个元素。如果seq为空则弹出 IndexError异常。
语法：random.choice（ seq）seq 可以是一个列表，元组或字符串。

L = [0,1,2,3,4,5]
random.choice(L)
2

L = 'wofeichangshuai'
random.choice(L)
'h'

random.choices()

描述：从集群中随机选取k次数据，返回一个列表，可以设置权重。
注意每次选取都不会影响原序列，每一次选取都是基于原序列。也就是有放回抽样
语法：random.choices(population,weights=None,*,cum_weights=None,k=1)
参数：

• population：集群。
• weights：相对权重。
• cum_weights：累加权重。
• k：选取次数。

a = [1,2,3,4,5]
random.choices(a,k=5)
[2, 5, 2, 1, 3]

random.choices(a,weights=[0,0,1,0,0],k=5)
[3, 3, 3, 3, 3]

random.choices(a,weights=[1,1,1,1,1],k=5)
[3, 1, 5, 2, 2]

#多次运行，5被抽到的概率为0.5，比其他的都大
random.choices(a,weights=[0.1,0.1,0.2,0.3,0.5],k=5)
[5, 4, 4, 4, 2]
random.choices(a,weights=[0.1,0.1,0.2,0.3,0.5],k=5)
[5, 4, 5, 5, 2]
random.choices(a,weights=[0.1,0.1,0.2,0.3,0.5],k=5)
[5, 2, 2, 5, 5]

random.choices(a,cum_weights=[1,1,1,1,1],k=5)
[1, 1, 1, 1, 1]

对每一条语句不妨各自写一个循环语句让它输出个十遍八遍的，你就足以看出用法了。

结论：参数weights设置相对权重，它的值是一个列表，设置之后，每一个成员被抽取到的概率就被确定了。比如weights=[1,2,3,4,5],那么第一个成员的概率就是P=1/(1+2+3+4+5)=1/15。
cum_weights设置累加权重，Python会自动把相对权重转换为累加权重，即如果你直接给出累加权重，那么就不需要给出相对权重，且Python省略了一步执行。比如weights=[1,2,3,4],那么cum_weights=[1,3,6,10]，这也就不难理解为什么cum_weights=[1,1,1,1,1]输出全是第一

random.getrandbits()

描述：返回一个不大于K位的Python整数（十进制），比如k=10，则结果在0~2^10之间的整数。
语法：random.getrandbits(k)

random.getrandbits(10)
379

random.getstate()

描述：返回一个捕获到的 生成器当前内部状态 的对象，可以将此对象传递给 setstate() 以恢复到这个状态。
语法：random.getstate()

random.setstate()

描述：state 应该是从之前调用 getstate() 获得的，而 setstate() 将生成器的内部状态恢复到调用 getstate() 时的状态。根据下面的例子可以看出，由于生成器内部状态相同时会生成相同的下一个随机数，我们可以使用 getstate() 和 setstate() 对生成器内部状态进行获取和重置到某一状态下。
语法：random.setstate(state)

state = random.getstate()
random.random()
0.489148634943

random.random()
0.22359638172661822

random.setstate(state)
random.random()
0.48914863494

random.randint()

描述：用于生成一个指定范围内的整数。
语法：random.randint(a, b)，其中参数a是下限，参数b是上限，生成的随机数n: a <= n <= b

random.randint(1, 8)
3
random.randint(1, 8)
4

random.randrange()

描述：按指定基数递增的集合中 获取一个随机数。如：random.randrange(10, 100, 2)，结果相当于从[10, 12, 14, 16, … 96, 98]序列中获取一个随机数，random.randrange(10, 100, 2)在结果上与 random.choice(range(10, 100, 2) 等效。
语法：random.randrange([start], stop[, step])

• 不指定step，随机生成[a,b)范围内一个整数。
• 指定step，step作为步长会进一步限制[a,b)的范围，比如randrange(0,11,2)意即生成[0,11)范围内的随机偶数。
• 不指定a，则默认从0开始。

#不限制
[random.randrange(0,11) for i in range(5)]
[4, 6, 3, 9, 5]

#随机偶数，运行5个数
[random.randrange(0,11,2) for i in range(5)]
[2, 4, 8, 8, 6]

random.sample()

描述：从population样本或集合中随机抽取K个不重复的元素形成新的序列。常用于不重复的随机抽样。返回的是一个新的序列，不会破坏原有序列。要从一个整数区间随机抽取一定数量的整数，请使用sample(range(1000000), k=60)类似的方法，这非常有效和节省空间。如果k大于population的长度，则弹出ValueError异常。
语法：random.sample(population, k)
注意：与random.choices()的区别：一个是选取k次，一个是选取k个，选取k次的相当于选取后又放回，选取k个则选取后不放回。故random.sample()的k值不能超出集群的元素个数。

random.sample(range(1000), k=5)
[82, 678, 664, 177, 376]

L = [0,1,2,3,4,5]
random.sample(L,3)
[5, 3, 1]

random.sample(L,3)
[2, 4, 5]

random.seed()

描述：初始化伪随机数生成器。如果未提供a或者a=None，则使用系统时间为种子。如果a是一个整数，则作为种子。伪随机数生成模块。如果不提供 seed，默认使用系统时间。使用相同的 seed，可以获得完全相同的随机数序列，常用于算法改进测试。
语法：random.seed(a=None, version=2)

# 生成一个随机数迭代器实例，与下列的实例不共享随机状态
a = random.Random()
[a.randint(1, 100) for i in range(20)]
[97, 91, 63, 88, 82, 6, 80, 59, 40, 96, 64, 6, 68, 49, 65, 50, 58, 5, 31, 60]

b = random.Random()
[b.randint(1, 100) for i in range(20)]
[46, 53, 89, 1, 48, 21, 45, 26, 89, 96, 43, 85, 21, 78, 8, 38, 54, 1, 27, 56]

############################################################################
a = random.Random()
# 指定相同的随机种子，共享随机状态
a.seed(1)
[a.randint(1, 100) for i in range(20)]
[14, 85, 77, 26, 50, 45, 66, 79, 10, 3, 84, 44, 77, 1, 45, 73, 23, 95, 91, 4]

b =random.Random()
# 指定相同的随机种子，共享随机状态
b.seed(1)
[b.randint(1, 100) for i in range(20)]
[14, 85, 77, 26, 50, 45, 66, 79, 10, 3, 84, 44, 77, 1, 45, 73, 23, 95, 91, 4]```

<p><span style="color: #ff0000"><strong>random.shuffle()</strong></span></p>
<p>描述：用于将一个列表中的元素打乱。只能针对可变的序列，对于不可变序列，请使用下面的sample()方法。<br>
语法：<code>random.shuffle(x)</code></p>

```python  
L = [0,1,2,3,4,5]
random.shuffle(L)
L
[5, 4, 1, 0, 3, 2]

random.uniform()

描述：产生[a,b]范围内一个随机浮点数。uniform()的a，b参数不需要遵循a<=b的规则，即a小b大也可以，此时生成[b,a]范围内的随机浮点数。
语法：random.uniform(x, y)

random.uniform(10, 11)
10.789198208817488

random.triangular()

描述：返回一个low <= N <=high的三角形分布的随机数。参数mode指明众数出现位置。
语法：random.triangular(low, high, mode)

data = [random.triangular(2,4,3) for i in range(20000)]
#直方图
plt.hist(data, bins=100, color="#FF0000", alpha=.7)
#密度图
sns.kdeplot(data, shade=True,color="#FF0000")

直方图

密度图

random.vonmisesvariate()

描述：卡帕分布
语法：vonmisesvariate(mu, kappa)

data = [random.vonmisesvariate(2,2) for i in range(20000)]
#直方图
plt.hist(data, bins=100, color="#FF0000", alpha=.7)
#密度图
sns.kdeplot(data, shade=True,color="#FF0000")

直方图

密度图

random.weibullvariate()

描述：威布尔分布
语法：random.weibullvariate(alpha, beta)

data = [random.weibullvariate(1,2) for i in range(20000)]
#直方图
plt.hist(data, bins=100, color="#FF0000", alpha=.7)
sns.kdeplot(data, shade=True,color="#FF0000")

直方图

密度图

random.betavariate()

描述： β分布
语法：random.betavariate(alpha, beta)

data = [random.betavariate(1,2) for i in range(20000)]
#直方图
plt.hist(data, bins=100, color="#FF0000", alpha=.7)
#密度图
sns.kdeplot(data, shade=True,color="#FF0000")

直方图

密度图

random.expovariate()

描述：指数分布
语法：random.expovariate(lambd)

data = [random.expovariate(2) for i in range(50000)]
#直方图
plt.hist(data, bins=100, color="#FF0000", alpha=.7)
#密度图
sns.kdeplot(data, shade=True,color="#FF0000")

直方图

密度图

random.gammavariate()

描述： 伽马分布
语法：random.gammavariate(alpha, beta)

data = [random.gammavariate(2,2) for i in range(50000)]
#直方图
plt.hist(data, bins=100, color="#FF0000", alpha=.7)
#密度图
sns.kdeplot(data, shade=True,color="#FF0000")

直方图

密度图

random.gauss()

描述：高斯分布
语法：random.gauss(mu, sigma)

data = [random.gauss(2,2) for i in range(50000)]
#直方图
plt.hist(data, bins=100, color="#FF0000", alpha=.7)
#密度图
sns.kdeplot(data, shade=True,color="#FF0000")

直方图

密度图

random.lognormvariate()

描述：对数正态分布
语法：random.lognormvariate(mu, sigma)

data = [random.lognormvariate(4,2) for i in range(50000)]
#直方图
plt.hist(data, bins=100, color="#FF0000", alpha=.7)
#密度图
sns.kdeplot(data, shade=True,color="#FF0000")

直方图

密度图

random.normalvariate()

描述： 正态分布
语法：random.normalvariate(mu, sigma)

data = [random.normalvariate(2,4) for i in range(20000)]
#直方图
plt.hist(data, bins=100, color="#FF0000", alpha=.7)
#密度图
sns.kdeplot(data, shade=True,color="#FF0000")

直方图

密度图

random.paretovariate()

描述：帕累托分布
语法：random.paretovariate(alpha)

data = [random.paretovariate(4) for i in range(50000)]
#直方图
plt.hist(data, bins=100, color="#FF0000", alpha=.7)
#密度图
sns.kdeplot(data, shade=True,color="#FF0000")

直方图

密度图

到此这篇关于python随机模块random的22种函数(小结)的文章就介绍到这了,更多相关python随机模块random内容请搜索python博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持python博客！