前言

  隨機數(shù)可以用于數(shù)學(xué)，游戲，安全等領(lǐng)域中，還經(jīng)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。平時數(shù)據(jù)分析各種分布的數(shù)據(jù)構(gòu)造也會用到。

  random模塊，用于生成偽隨機數(shù)，之所以稱之為偽隨機數(shù)，是因為真正意義上的隨機數(shù)（或者隨機事件）在某次產(chǎn)生過程中是按照實驗過程中表現(xiàn)的分布概率隨機產(chǎn)生的，其結(jié)果是不可預(yù)測的，是不可見的。而計算機中的隨機函數(shù)是按照一定算法模擬產(chǎn)生的，對于正常隨機而言，會出現(xiàn)某個事情出現(xiàn)多次的情況。

  但是偽隨機在事情觸發(fā)前設(shè)定好，就是這個十個事件各發(fā)生一次，只不過順序不同而已。現(xiàn)在MP3的隨機列表就是用的偽隨機，把要播放的歌曲打亂順序，生成一個隨機列表而已，每個歌曲都播放一次。真實隨機的話，會有出現(xiàn)某首歌多放次的情況，歌曲基數(shù)越多，重放的概率越大。

注意：random()是不能直接訪問的，需要導(dǎo)入 random 模塊，然后通過 random 靜態(tài)對象調(diào)用該方法。

import randomlist(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’]#加載所需要的包import randomimport matplotlib.pyplot as pltimport seaborn as sns

random.random()

描述：random.random() 用于生成一個0到1的隨機符點數(shù): 0 <= n < 1.0語法：random.random()

#生成一個隨機數(shù)random.random()0.7186311708109537#生成一個4位小數(shù)的隨機列表[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]#生成一串隨機數(shù)for i in range(10):print(random.random())0.43860556392473480.43944378539770780.2318629636828330.64831689635533420.121065812558118550.70438749865313550.387295196584986230.64922561571703930.4634250509335640.2298431522075462

random.choice()

描述：從非空序列seq中隨機選取一個元素。如果seq為空則彈出 IndexError異常。語法：random.choice（ seq）seq 可以是一個列表，元組或字符串。

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

random.choices()

描述：從集群中隨機選取k次數(shù)據(jù)，返回一個列表，可以設(shè)置權(quán)重。注意每次選取都不會影響原序列，每一次選取都是基于原序列。也就是有放回抽樣語法：random.choices(population,weights=None,*,cum_weights=None,k=1)參數(shù)：

population：集群。 weights：相對權(quán)重。 cum_weights：累加權(quán)重。 k：選取次數(shù)。

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]#多次運行，5被抽到的概率為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]

對每一條語句不妨各自寫一個循環(huán)語句讓它輸出個十遍八遍的，你就足以看出用法了。

結(jié)論：參數(shù)weights設(shè)置相對權(quán)重，它的值是一個列表，設(shè)置之后，每一個成員被抽取到的概率就被確定了。比如weights=[1,2,3,4,5],那么第一個成員的概率就是P=1/(1+2+3+4+5)=1/15。cum_weights設(shè)置累加權(quán)重，Python會自動把相對權(quán)重轉(zhuǎn)換為累加權(quán)重，即如果你直接給出累加權(quán)重，那么就不需要給出相對權(quán)重，且Python省略了一步執(zhí)行。比如weights=[1,2,3,4],那么cum_weights=[1,3,6,10]，這也就不難理解為什么cum_weights=[1,1,1,1,1]輸出全是第一

random.getrandbits()

描述：返回一個不大于K位的Python整數(shù)（十進制），比如k=10，則結(jié)果在0~2^10之間的整數(shù)。語法：random.getrandbits(k)

random.getrandbits(10)379

random.getstate()

描述：返回一個捕獲到的 生成器當前內(nèi)部狀態(tài) 的對象，可以將此對象傳遞給 setstate() 以恢復(fù)到這個狀態(tài)。語法：random.getstate()

random.setstate()

描述：state 應(yīng)該是從之前調(diào)用 getstate() 獲得的，而 setstate() 將生成器的內(nèi)部狀態(tài)恢復(fù)到調(diào)用 getstate() 時的狀態(tài)。根據(jù)下面的例子可以看出，由于生成器內(nèi)部狀態(tài)相同時會生成相同的下一個隨機數(shù)，我們可以使用 getstate() 和 setstate() 對生成器內(nèi)部狀態(tài)進行獲取和重置到某一狀態(tài)下。語法：random.setstate(state)

state = random.getstate()random.random()0.489148634943random.random()0.22359638172661822random.setstate(state)random.random()0.48914863494

random.randint()

描述：用于生成一個指定范圍內(nèi)的整數(shù)。語法：random.randint(a, b)，其中參數(shù)a是下限，參數(shù)b是上限，生成的隨機數(shù)n: a <= n <= b

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

random.randrange()

描述：按指定基數(shù)遞增的集合中 獲取一個隨機數(shù)。如：random.randrange(10, 100, 2)，結(jié)果相當于從[10, 12, 14, 16, … 96, 98]序列中獲取一個隨機數(shù)，random.randrange(10, 100, 2)在結(jié)果上與 random.choice(range(10, 100, 2) 等效。語法：random.randrange([start], stop[, step])

不指定step，隨機生成[a,b)范圍內(nèi)一個整數(shù)。 指定step，step作為步長會進一步限制[a,b)的范圍，比如randrange(0,11,2)意即生成[0,11)范圍內(nèi)的隨機偶數(shù)。 不指定a，則默認從0開始。

#不限制[random.randrange(0,11) for i in range(5)][4, 6, 3, 9, 5]#隨機偶數(shù)，運行5個數(shù)[random.randrange(0,11,2) for i in range(5)][2, 4, 8, 8, 6]

random.sample()

描述：從population樣本或集合中隨機抽取K個不重復(fù)的元素形成新的序列。常用于不重復(fù)的隨機抽樣。返回的是一個新的序列，不會破壞原有序列。要從一個整數(shù)區(qū)間隨機抽取一定數(shù)量的整數(shù)，請使用sample(range(1000000), k=60)類似的方法，這非常有效和節(jié)省空間。如果k大于population的長度，則彈出ValueError異常。語法：random.sample(population, k)注意：與random.choices()的區(qū)別：一個是選取k次，一個是選取k個，選取k次的相當于選取后又放回，選取k個則選取后不放回。故random.sample()的k值不能超出集群的元素個數(shù)。

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：初始化偽隨機數(shù)生成器。如果未提供a或者a=None，則使用系統(tǒng)時間為種子。如果a是一個整數(shù)，則作為種子。偽隨機數(shù)生成模塊。如果不提供 seed，默認使用系統(tǒng)時間。使用相同的 seed，可以獲得完全相同的隨機數(shù)序列，常用于算法改進測試。語法：random.seed(a=None, version=2)

# 生成一個隨機數(shù)迭代器實例，與下列的實例不共享隨機狀態(tài)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()# 指定相同的隨機種子，共享隨機狀態(tài)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()# 指定相同的隨機種子，共享隨機狀態(tài)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]

random.shuffle()

描述：用于將一個列表中的元素打亂。只能針對可變的序列，對于不可變序列，請使用下面的sample()方法。語法：random.shuffle(x)

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

random.uniform()

描述：產(chǎn)生[a,b]范圍內(nèi)一個隨機浮點數(shù)。uniform()的a，b參數(shù)不需要遵循a<=b的規(guī)則，即a小b大也可以，此時生成[b,a]范圍內(nèi)的隨機浮點數(shù)。語法：random.uniform(x, y)

random.uniform(10, 11)10.789198208817488

random.triangular()

描述：返回一個low <= N <=high的三角形分布的隨機數(shù)。參數(shù)mode指明眾數(shù)出現(xiàn)位置。語法：random.triangular(low, high, mode)

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

直方圖

密度圖

random.vonmisesvariate()

描述：卡帕分布語法：vonmisesvariate(mu, kappa)

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

直方圖

密度圖

random.weibullvariate()

描述：威布爾分布語法：random.weibullvariate(alpha, beta)

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

直方圖

密度圖

random.betavariate()

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

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

直方圖

密度圖

random.expovariate()

描述：指數(shù)分布語法：random.expovariate(lambd)

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

直方圖

密度圖

random.gammavariate()

描述： 伽馬分布語法：random.gammavariate(alpha, beta)

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

直方圖

密度圖

random.gauss()

描述：高斯分布語法：random.gauss(mu, sigma)

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

直方圖

密度圖

random.lognormvariate()

描述：對數(shù)正態(tài)分布語法：random.lognormvariate(mu, sigma)

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

直方圖

密度圖

random.normalvariate()

描述： 正態(tài)分布語法：random.normalvariate(mu, sigma)

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

直方圖

密度圖

random.paretovariate()

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

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

直方圖

密度圖

到此這篇關(guān)于python隨機模塊random的22種函數(shù)(小結(jié))的文章就介紹到這了,更多相關(guān)python隨機模塊random內(nèi)容請搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！