python隨機(jī)模塊random的22種函數(shù)(小結(jié))

更新時(shí)間：2020年05月15日 10:07:03 作者：Elenstone

這篇文章主要介紹了python隨機(jī)模塊random的22種函數(shù)，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

前言

隨機(jī)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(shí)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(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)生過程中是按照實(shí)驗(yàn)過程中表現(xiàn)的分布概率隨機(jī)產(chǎn)生的，其結(jié)果是不可預(yù)測的，是不可見的。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，對于正常隨機(jī)而言，會出現(xiàn)某個(gè)事情出現(xiàn)多次的情況。

但是偽隨機(jī)在事情觸發(fā)前設(shè)定好，就是這個(gè)十個(gè)事件各發(fā)生一次，只不過順序不同而已?，F(xiàn)在MP3的隨機(jī)列表就是用的偽隨機(jī)，把要播放的歌曲打亂順序，生成一個(gè)隨機(jī)列表而已，每個(gè)歌曲都播放一次。真實(shí)隨機(jī)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 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']

#加載所需要的包
import random
import matplotlib.pyplot as plt
import seaborn as sns

random.random()

描述：random.random() 用于生成一個(gè)0到1的隨機(jī)符點(diǎn)數(shù): 0 <= n < 1.0
語法：random.random()

#生成一個(gè)隨機(jī)數(shù)
random.random()
0.7186311708109537

#生成一個(gè)4位小數(shù)的隨機(jī)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(jī)數(shù)
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：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。
語法：random.choice（ seq）seq 可以是一個(gè)列表，元組或字符串。

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

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

random.choices()

描述：從集群中隨機(jī)選取k次數(shù)據(jù)，返回一個(gè)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(yùn)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(gè)循環(huán)語句讓它輸出個(gè)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(gè)列表，設(shè)置之后，每一個(gè)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(gè)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(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)。
語法：random.getrandbits(k)

random.getrandbits(10)
379

random.getstate()

描述：返回一個(gè)捕獲到的生成器當(dāng)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(gè)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(shí)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(shí)會生成相同的下一個(gè)隨機(jī)數(shù)，我們可以使用 getstate() 和 setstate() 對生成器內(nèi)部狀態(tài)進(jìn)行獲取和重置到某一狀態(tài)下。
語法：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：用于生成一個(gè)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(jī)數(shù)n: a <= n <= b

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

random.randrange()

描述：按指定基數(shù)遞增的集合中獲取一個(gè)隨機(jī)數(shù)。如：random.randrange(10, 100, 2)，結(jié)果相當(dāng)于從[10, 12, 14, 16, … 96, 98]序列中獲取一個(gè)隨機(jī)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(jī)生成[a,b)范圍內(nèi)一個(gè)整數(shù)。
指定step，step作為步長會進(jìn)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(jī)偶數(shù)。
不指定a，則默認(rèn)從0開始。

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

#隨機(jī)偶數(shù)，運(yùn)行5個(gè)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(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(gè)是選取k次，一個(gè)是選取k個(gè)，選取k次的相當(dāng)于選取后又放回，選取k個(gè)則選取后不放回。故random.sample()的k值不能超出集群的元素個(gè)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(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。偽隨機(jī)數(shù)生成模塊。如果不提供 seed，默認(rèn)使用系統(tǒng)時(shí)間。使用相同的 seed，可以獲得完全相同的隨機(jī)數(shù)序列，常用于算法改進(jìn)測試。
語法：random.seed(a=None, version=2)

# 生成一個(gè)隨機(jī)數(shù)迭代器實(shí)例，與下列的實(shí)例不共享隨機(jī)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(jī)種子，共享隨機(jī)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(jī)種子，共享隨機(jī)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(gè)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(gè)隨機(jī)浮點(diǎn)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(shí)生成[b,a]范圍內(nèi)的隨機(jī)浮點(diǎn)數(shù)。
語法：random.uniform(x, y)

random.uniform(10, 11)
10.789198208817488

random.triangular()

描述：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。
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