Python 标准库之 random 生成伪随机数『详细』
Python 标准库之 random 生成伪随机数
文章目录
- Python 标准库之 random 生成伪随机数
-
- 一、Python random介绍
- 二、导入 random 库
- 三、随机整数
- 四、序列用随机函数
- 五、实值分布
- 六、random 可以做什么?
- 扩展：Python的集合也能实现随机
- 扩展：为什么说 random 是伪随机数
- 参考资料
- 相关博客
一、Python random介绍
random 模块实现了各种分布的伪随机数生成器，对于整数，从范围中有统一的选择。 对于序列，存在随机元素的统一选择、用于生成列表的随机排列的函数、以及用于随机抽样而无需替换的函数。
本文章内容较多，如果需要查找某个特定的方法或属性，建议使用浏览器的 查找
ctrl + f功能
二、导入 random 库
在看下列内容前，别忘记导入random 标准库呀
import random
三、随机整数
1)、random.randrange(start, stop[, step])：
.randrange(start, stop[, step]) 相当于 .choice(range(start, stop, step)) ，也就是内置函数 range() 和方法 choice() 的结合，但实际上并没有构建一个 range 对象，位置参数模式匹配 range()
演示代码：
res1 = random.randrange(1, 11) # 1 - 10范围内的随机整数
res2 = random.randrange(1, 11, 2) # 1 - 10范围内每两个的随机整数
res3 = random.choice(range(1, 11, 2)) # 1 - 10范围内每两个的随机整数
print(res1, res2, res3)
2)、random.randint(a, b)：「常用」
在 a <= N <= b 范围内返回整数N，此方法又相当于 .randrange(a, b+1) ，简单点理解范围即是 range(a, b+1) 然后再从里面随机抽出一个整数
与.randrange(start, stop[, step]) 的主要差别是有没有 步长 参数
演示代码：
res1 = random.randint(1, 10) # 1 - 10范围内的随机整数
res2 = random.randrange(1, 11) # 1 - 10范围内的随机整数
print(res1, res2)
四、序列用随机函数
1)、random.choice(seq)：「常用」
从非空序列 seq 返回 一个 随机元素
演示代码：
res1 = random.choice(range(1, 11)) # 1 - 10范围内的随机整数
res2 = random.choice(["张三", "李四", "王五", "罗翔", "Alex", "Jone"])
print(res1, res2)
如果 seq 为空，则引发 IndexError
2)、random.choices(population, weights=None, cum_weights=None, k=1)：
用于有重复的随机抽样，因此不能用作于类似抽奖的用途，返回包含来自 population 序列中元素组成的新列表，新列表的长度以 K 决定，如果需要无重复的随机抽样，参考 .sample() 方法
参数如下：
-
population： population(总体)，从population中选择抽取，返回大小为 k 的元素列表
-
weights：如果给出了 weight 序列，则根据相对权重进行选择，如：
[10, 5, 30, 5]，在进行选择之前相对权重会转化为累计权重 -
cum_weights：如果给出了 cum_weights 序列，则根据绝对权重进行选择，相对权重
[10, 5, 30, 5]相当于累积权重[10, 15, 45, 50]，直接提供累计权重可以减少 内部代码的工作量 -
k： 随机选取的元素 长度、数量
如果既未指定 weight 也未指定 cum_weights ，则以相等的概率进行选择。 如果提供了权重序列，则它必须与 population 序列的长度相同。
演示代码：
arr = ["张三", "李四", "王五", "罗翔", "Alex", "Jone"]
# 随机选取列表中三元素
res1 = random.choices(arr, k=3)
# 随机选取列表中三元素, Jone 和 罗翔 被选取的概率最大
res2 = random.choices(arr, weights=[5, 10, 30, 25, 15, 30], k=3)
# 随机选取列表中三元素，累计权重概率与上面相对权重相等，Jone 和 罗翔 被选取的概率最大
res3 = random.choices(arr, cum_weights=[5, 15, 45, 70, 85, 115], k=3)
print(res1, res2, res3)
如果 population 为空，则引发 IndexError
3)、random.shuffle(x[, random])：「常用」
shuffle 有着 洗牌 的意思，该方法主要作用是将一个序列中的元素打乱重新排列
源码：
def shuffle(self, x, random=None):
"""Shuffle list x in place, and return None.
Optional argument random is a 0-argument function returning a
random float in [0.0, 1.0); if it is the default None, the
standard random.random will be used.
"""
if random is None:
randbelow = self._randbelow
for i in reversed(range(1, len(x))):
# pick an element in x[:i+1] with which to exchange x[i]
j = randbelow(i+1)
x[i], x[j] = x[j], x[i]
else:
_int = int
for i in reversed(range(1, len(x))):
# pick an element in x[:i+1] with which to exchange x[i]
j = _int(random() * (i+1))
x[i], x[j] = x[j], x[i]
参数如下：
- x： 将序列 x 随机打乱位置
- random：可选参数 random 是一个函数，在 [0.0, 1.0) 中返回随机浮点数，如果不指定将默认使用
.random()方法
演示代码：
arr = ["张三", "李四", "王五", "罗翔", "Alex", "Jone"]
print(arr) # 打印原数组
random.shuffle(arr)
print(arr) # 打印随机后数组
4)、random.sample(population, k)： 「常用」
用于无重复的随机抽样，因此能用作于类似抽奖的用途，返回包含来自 population 序列中元素组成的新列表，新列表的长度以 K 决定，如果需要有重复的随机抽样，参考 .choices() 方法
参数如下：
- population： population(总体)，从population中选择抽取，返回大小为 k 的元素列表
- k： 返回从总体序列或集合中选择的唯一元素的数量、长度
演示代码：
简易抽奖示例
arr = ["张三", "李四", "王五", "罗翔", "Alex", "Jone"]
res = random.sample(arr, 3)
level = {1: "一等奖", 2: "二等级", 3: "三等奖"}
for i, k in enumerate(res, 1):
print(f"{level[i]}: {k}", end=" ")
如果样本大小大于总体大小，则引发 ValueError
五、实值分布
以下函数生成特定的实值分布。如常用数学实践中所使用的那样, 函数参数以分布方程中的相应变量命名;大多数这些方程都可以在任何统计学教材中找到
1)、random.random()：
返回 [0.0, 1.0) 范围内的下一个随机浮点数，精确到小数点后16位
演示代码：
for i in range(10):
print(round(random.random(), 5)) # 四舍五入精确到后五位
2)、random.uniform(a, b)：
返回一个随机浮点数 N ，当 a <= b 时 a <= N <= b ，当 b < a 时 b <= N <= a，精确到小数点后16位
简单来说就是返回 a 和 b 之间，包括a 和 b 的一个浮点数，最小范围是 a 和 b 中最小的，最大范围是 a 和 b 中最大的
源码：
源码其实很简单，算法就是公式 a + (b-a) * self.random()
def uniform(self, a, b):
"Get a random number in the range [a, b) or [a, b] depending on rounding."
return a + (b-a) * self.random()
演示代码：
res1 = random.uniform(10, 1) # 返回 1 <= N <= 10 之间的浮点数
res2 = random.uniform(1, 10) # 返回 1 <= N <= 10 之间的浮点数
res3 = 1 + (10-1) * random.random() # 返回 1 <= N <= 10 之间的浮点数
print(res1, res2, res3, sep=r" // ")
3)、random.triangular(low, high, mode)：
返回一个随机浮点数 N ，使得 low <= N <= high 并在这些边界之间使用指定的 mode
源码：
def triangular(self, low=0.0, high=1.0, mode=None):
"""Triangular distribution.
Continuous distribution bounded by given lower and upper limits,
and having a given mode value in-between.
http://en.wikipedia.org/wiki/Triangular_distribution
"""
u = self.random()
try:
c = 0.5 if mode is None else (mode - low) / (high - low)
except ZeroDivisionError:
return low
if u > c:
u = 1.0 - u
c = 1.0 - c
low, high = high, low
return low + (high - low) * _sqrt(u * c)
参数如下：
- low： 返回随机浮点数 N 的最小值，默认值为 0
- high： 返回随机浮点数 N 的最大值，默认值为 1
- mode： 通过源码可以得知对 mode 的处理
0.5 if mode is None else (mode - low) / (high - low)，默认值为 0.5 为边界之间的中点，给出对称分布
演示代码：
arr = ["张三", "李四", "王五", "罗翔", "Alex", "Jone"]
low, high, mode = 0, 5, 5
c = (mode - low) / (high - low)
res1 = random.triangular(low, high)
res2 = random.triangular(low, high, mode=mode)
print(c, res1, res2, sep=r" // ")
4)、random.betavariate(alpha, beta)： 「了解」
Beta 分布，又称贝塔分布，参数的条件是 alpha > 0 和 beta > 0， 返回值的范围介于 0 和 1 之间
演示代码：
res1 = random.betavariate(2, 2)
res2 = random.betavariate(0.5, 0.5)
res3 = random.betavariate(5, 1)
print(res1, res2, res3, sep=r" // ")
5)、random.expovariate(lambd)： 「了解」
指数分布，该参数本应命名为 lambda ，但这是 Python 中的保留字
如果 lambd 为正，则返回值的范围为 0 到正无穷大；如果 lambd 为负，则返回值从负无穷大到 0
演示代码：
res1 = random.expovariate(1)
res2 = random.expovariate(-1)
print(res1, res2, sep=r" // ")
6)、random.gammavariate(alpha, beta)： 「了解」
Gamma 分布，参数的条件是 alpha > 0 和 beta > 0
概率分布公式是:
演示代码：
res1 = random.gammavariate(5, 1)
res2 = random.gammavariate(1, 6)
res3 = random.gammavariate(6, 6)
print(res1, res2, res3, sep=r" // ")
7)、random.gauss(mu, sigma)： 「了解」
高斯分布， mu 是平均值，sigma 是标准差，这比下面要讲的 normalvariate() 函数略快
正态分布（台湾作常态分布，英语：normal distribution）又名高斯分布（英语：Gaussian distribution）、正规分布，是一个非常常见的连续概率分布，正态分布在统计学上十分重要，经常用在自然和社会科学来代表一个不明的随机变量
红线代表标准正态分配
演示代码：
res1 = random.gauss(0, 0.2)
res2 = random.gauss(0, 1)
res3 = random.gauss(0, 5)
res4 = random.gauss(-2, 0.5)
print(res1, res2, res3, res4, sep=r" \\ ")
8)、random.lognormvariate(mu, sigma)： 「了解」
任意随机变量的对数服从正态分布，则这个随机变量服从的分布称为对数正态分布，如果你采用这个分布的自然对数，你将得到一个正态分布
平均值为 mu 和标准差为 sigma，mu 可以是任何值，sigma 必须大于零
演示代码：
res1 = random.lognormvariate(0, 10)
res2 = random.lognormvariate(0, 1)
res3 = random.lognormvariate(0, 0.5)
res4 = random.lognormvariate(0, 0.25)
print(res1, res2, res3, res4, sep=r" \\ ")
9)、random.normalvariate(mu, sigma)： 「了解」
正态分布，mu 是平均值，sigma 是标准差，具体参考 7)、random.gauss(mu, sigma)
演示代码：
res1 = random.normalvariate(0, 0.2)
res2 = random.normalvariate(0, 1)
res3 = random.normalvariate(0, 5)
res4 = random.normalvariate(-2, 0.5)
print(res1, res2, res3, res4, sep=r" \\ ")
10)、random.vonmisesvariate(mu, kappa)： 「了解」
冯·米塞斯（von Mises）分布，mu 是平均角度，以弧度表示，介于0和 2*pi 之间，kappa 是浓度参数，必须大于或等于零
如果 kappa 等于零，则该分布在 0 到 2*pi 的范围内减小到均匀的随机角度
演示代码：
res1 = random.vonmisesvariate(6, 0)
res2 = random.vonmisesvariate(6, 1)
res3 = random.vonmisesvariate(6, 6)
res4 = random.vonmisesvariate(90, 0)
print(res1, res2, res3, res4, sep=r" \\ ")
11)、random.paretovariate(alpha)： 「了解」
帕累托分布(Pareto distribution)是以意大利经济学家维尔弗雷多·帕累托命名的，alpha 是形状参数
演示代码：
res1 = random.paretovariate(1)
res2 = random.paretovariate(2)
res3 = random.paretovariate(3)
print(res1, res2, res3, sep=r" \\ ")
12)、random.weibullvariate(alpha, beta)： 「了解」
威布尔分布（Weibull distribution）是可靠性分析和寿命检验的理论基础，alpha 是比例参数，beta 是形状参数
演示代码：
res1 = random.weibullvariate(1, 0.5)
res2 = random.weibullvariate(1, 1)
res3 = random.weibullvariate(1, 1.5)
res4 = random.weibullvariate(1, 5)
print(res1, res2, res3, res4, sep=r" \\ ")
六、random 可以做什么?
random 的中文释义是 随机的 意思，那顾名思义干的就是一些随机的活
1)、抽个奖压压惊
抽奖类问题是 随机 最常见的实际应用之一，在上面的方法演示中也提到过了抽奖
a. 先来看看常见思维的写法，循环需要的奖项，在每次循环中将其进行抽取各奖项的获奖者
def get_winners(items: list, level: dict):
"""
抽取获奖者传统思维写法
:param items: 参与人员列表
:param level: 获奖级别信息
:return: 获奖结果
"""
res = {}
for i in level.keys():
item = random.sample(arr, level[i]) # 随机选取指定数量的元素
for d in item: # 遍历选取结果并删除
items.remove(d)
res[i] = item # 添加到结果字典中
return res
arr = ["张三", "李四", "王五", "罗翔", "Alex", "Jone", "Mark", "李华", "全蛋", "铁花"]
win_level = {"一等奖": 1, "二等奖": 3, "三等奖": 5}
print(get_winners(arr, win_level))
b. 在上面介绍过random.sample(population, k)方法，它是无重复随机抽样，运用这个无重复一次性把所有获奖抽出，再以前后顺序确定奖项即可
def get_winners(items: list, level: dict):
"""
抽取获奖者以索引取法
:param items: 参与人员列表
:param level: 获奖级别信息
:return: 获奖结果
"""
target = random.sample(items, sum(level.values()))
res, prev = {}, 0
for i in level.keys():
res[i] = target[prev: level[i] + prev]
prev += level[i]
return res
arr = ["张三", "李四", "王五", "罗翔", "Alex", "Jone", "Mark", "李华", "全蛋", "铁花"]
win_level = {"一等奖": 1, "二等奖": 3, "三等奖": 5}
print(get_winners(arr, win_level))
2)、猜号数
学习 Python 的同学很多都有接触过这个题目，猜号数问题算是最基础的 Python题目之一，这里咱就复习一下
a. 生成一个 1~100之间的随机数，判断用户输入的数值是否与生成的随机数想等，如果大于这个值或小于这个值，应当提醒用户
其中 c_print() 函数作用用于颜色打印，详情可以参考我关于 颜色打印 的文章
def fuess_the_number():
"""
猜数字小游戏, 无限制次数
"""
target = random.randint(1, 100) # 生成需要猜的目标值
while True:
enter = input("请输入需要您所猜的值:")
if not enter.isdigit(): # 判断是否为数字
c_print("请输入整数", color=31)
elif not (100 >= (enter := int(enter)) >= 1): # 判断范围是否在 1-100 之间
c_print("请输入100-1之间的值", color=31)
else:
if enter > target:
c_print("数值太大啦[再试试]", color=36)
elif enter < target:
c_print("数值太小啦[再试试]", color=36)
else:
c_print("Bingo, 答对了")
break
b. 在上述问题的基础上，自定义最大可尝试次数，更改量其实很少
def fuess_the_number(max_try: int):
"""
猜数字小游戏, 无限制次数
"""
target = random.randint(1, 100) # 生成需要猜的目标值
for _ in range(max_try):
enter = input("请输入需要您所猜的值:")
if not enter.isdigit(): # 判断是否为数字
c_print("请输入整数", color=31)
elif not (100 >= (enter := int(enter)) >= 1): # 判断范围是否在 1-100 之间
c_print("请输入100-1之间的值", color=31)
else:
if enter > target:
c_print("数值太大啦[再试试]", color=36)
elif enter < target:
c_print("数值太小啦[再试试]", color=36)
else:
c_print("Bingo, 答对了")
break
else:
c_print("很遗憾您并没有猜出来, 挑战结束", color=36)
fuess_the_number(5)
在限定次数中，我将错误检测也算进了可猜次数中，这里我留下这个坑，有兴趣的同学可以自己去试试做出更改
3)、发个牌
相信大多数人都打过扑克牌吧，我就没打过写这之前还去查了一下组合，发牌类问题是 随机 最常见的实际应用之一，大家可以先去尝试编写一个利用 random 随机发牌的小程序
52张正牌又均分为13张一组，并以黑桃、红桃、梅花、方块四种花色表示各组，每组花色的牌包括从1-10（1通常表示为A）以及J、Q、K标示的13张牌
- 花色：
["梅花", "方片", "红桃", "黑桃"] - 牌面数字：
["A", "2", "3", "4", "5", "6", "7", "8", "9", "10", "J", "Q", "K"]
class Card:
def __init__(self):
self.card_color = ["梅花", "方片", "红桃", "黑桃"]
self.card_nums = ["A", "2", "3", "4", "5", "6", "7", "8", "9", "10", "J", "Q", "K"]
self.cards = self.init_card() # 获取初始牌组合
def init_card(self):
"""
初始牌组合方法
:return: 组合牌
"""
cards = []
for i in self.card_color:
cards.extend([f"{i}{k}" for k in self.card_nums])
return cards
def shuffle_card(self, shu_num=1):
"""
洗牌方法
:param shu_num: 洗牌次数, 默认为1
:return: 洗后牌
"""
for _ in range(shu_num):
random.shuffle(self.cards)
return self.cards
def deal_card(self, items: list or tuple):
"""
发牌方法
:param items: 玩家成员
:return: 每个成员所发的牌
"""
if not isinstance(items, (list, tuple)):
raise TypeError("成员信息应以列表或元组传入")
elif (length := len(items)) > 4:
raise Exception("成员过多")
dic, prev, random_res = {}, 0, random.sample(self.cards, length*13)
for i in items:
# prev 为索引指针
dic[i] = random_res[prev:prev+14]
prev += 14
return dic
play = Card() # 实例化游戏对象
play.shuffle_card(5) # 洗牌5次
player = play.deal_card( # 添加玩家发牌
["张三", "罗翔"]
)
{'张三': ['梅花7', '黑桃K', '红桃8', '方片A', '方片7', '梅花2', '梅花5', '黑桃2', '方片3', '红桃A', '梅花6', '红桃5', '黑桃9', '黑桃4'],
'罗翔': ['红桃2', '红桃Q', '梅花3', '红桃6', '红桃J', '黑桃A', '方片8', '梅花4', '方片5', '黑桃5', '红桃K', '梅花Q']}
4)、画个雪花玩玩 「大型运用」
说到画图，印象较深的就是Python的海龟库 turtle，这是大多数Python学习者初期所接触到的标准库，我将使用 turple 进行图像绘画
画雪花使用 random 的次数绝对够多，雪花的大小，雪花的粗细，雪花的位置，这些都是需要考虑随机的东西，因此可以在示例代码中能够见到多次random的身影
def draw_snow(min_size, max_size, color=True):
"""
绘画雪花函数
:param min_size: 最小雪花长度
:param max_size: 最大雪花长度
:param color: 是否随机颜色, 默认为是
"""
t.pendown()
if color is True:
# 颜色模式改成255, 并随机rgb颜色
t.colormode(255)
rgb = [random.randint(0, 255) for _ in range(3)]
t.pencolor((rgb[0], rgb[1], rgb[2]))
else:
t.pencolor("white")
snowsize = random.randint(min_size, max_size)
side = snowsize // 2 # 边数
for _ in range(side):
t.forward(snowsize)
t.backward(snowsize)
t.right(360 / side)
t.penup()
def draw(quantity, x, y):
"""
主画图
:param quantity: 雪花数量
:param x: 窗口宽度大小
:param y: 窗口高度大小
"""
t.ht() # 隐藏海龟
t.setup(x, y, 500, 250) # 设置窗口大小
t.bgcolor("black") # 设置背景色
t.tracer(False) # 关闭海龟动画
t.title("雪花图")
for _ in range(quantity):
t.penup()
# 获取x轴与y轴雪花范围
x_range = random.randint(-(x//2-50), (x//2-50))
y_range = random.randint(-(y//2-50), (y//2-50))
t.pensize(random.randint(1, 3)) # 1-3 画笔随机大小
t.goto(x_range, y_range) # 移动画笔
draw_snow(15, 30) # 调用画雪花
t.exitonclick() # 鼠标点击后关闭窗口
if __name__ == '__main__':
draw(100, 800, 500)
扩展：Python的集合也能实现随机
集合的 .pop() 方法
从集合中移除并返回任意一个元素，其实就是随机移除一个元素并返回
如果集合为空则会引发 KeyError，可以先判断集合是否为空
需要注意的是，集合的 .pop 方法的随即效果只针对字符串有效，如果是数字类型每次移除并返回的都是同一个元素，详情请移步我关于集合的文章
还是以随机抽奖为例
s_user = {"张三", "李四", "小美", "王华", "小明", "李华"}
awarded = []
while len(awarded) < 3:
awarded.append(s_user.pop())
print(f"获奖用户: {' '.join(awarded)}")
扩展：为什么说 random 是伪随机数
伪 的近义词是 假，有着假的意思，那么 伪随机数 又指的是什么意思呢？
我们先来看看官方手册对 伪随机数 的描述：
Python 使用 Mersenne Twister 作为核心生成器。 它产生 53 位精度浮点数，周期为 2**19937-1 ，其在 C 中的底层实现既快又线程安全。 Mersenne Twister 是现存最广泛测试的随机数发生器之一。 但是，因为完全确定性，它不适用于所有目的，并且完全不适合加密目的。警告 不应将此模块的伪随机生成器用于安全目的。 有关安全性或加密用途，请参阅 secrets 模块。，在 random 手册下另外还有这一句话，看来想要知道这个伪是什么意思，我们得进一步的查看 secrets 标准库模块下的手册
在 secrets 手册下 又有着这么一句话 特别地，应当优先使用 secrets 来替代 random 模块中的默认伪随机数生成器，后者被设计用于建模和仿真，而不适用于安全和加密。
如果好奇心爆棚，可以去看看 PEP 506 对此的描述，简单来说使用 random 随机的结果是有一定规律可循的，有一定漏洞的随机数
参考资料
-
维基百科中文版：
- 序列
- Βeta分布、贝塔分布
- 指数分布
- 伽玛分布、Gamma 分布
- 正态分布、高斯分布
- 对数正态分布
-
Python 官方手册：
- random 生成伪随机数
由衷感谢
相关博客
- Python 有趣ヾ(≧▽≦*)o SET 集合类型
- Python 如何让打印内容变得优雅(颜色打印)