20个Python random模块的代码示例
本文分享自华为云社区《
Python随机数探秘：深入解析random模块的神奇之处
》，作者：柠檬味拥抱。
标准库random函数大全：探索Python中的随机数生成
随机数在计算机科学和数据科学领域中扮演着重要角色，Python的标准库中提供了
random
模块，用于生成各种随机数。本篇博客将深入探讨
random
模块的各种函数，以及它们的应用场景和代码示例。
1. random.random()
random.random()
函数返回一个范围在[0.0, 1.0)之间的随机浮点数。这是生成均匀分布随机数的基础函数。
import random
random_number=random.random()
print("随机浮点数:", random_number)
2. random.randint(a, b)
random.randint(a, b)
函数生成一个范围在[a, b]之间的随机整数。这在需要生成整数随机数时非常有用。
import random
random_integer= random.randint(1, 10)
print("随机整数:", random_integer)
3. random.choice(seq)
random.choice(seq)
函数从序列
seq
中随机选择一个元素返回。适用于从列表、元组等序列中随机挑选元素的场景。
import random
my_list= [1, 2, 3, 4, 5]
random_element=random.choice(my_list)
print("随机选择的元素:", random_element)
4. random.shuffle(x)
random.shuffle(x)
函数用于将序列
x
中的元素随机排列，打乱原有顺序。
import random
my_list= [1, 2, 3, 4, 5]
random.shuffle(my_list)
print("打乱后的列表:", my_list)
5. random.sample(population, k)
random.sample(population, k)
函数从总体
population
中随机选择
k
个不重复的元素。适用于需要获取不重复样本的情况。
import random
my_list= [1, 2, 3, 4, 5]
sampled_list= random.sample(my_list, 3)
print("随机抽样后的列表:", sampled_list)
6. random.uniform(a, b)
random.uniform(a, b)
函数生成一个范围在[a, b]之间的随机浮点数，类似于
random.random()
但可以指定范围。
import random
random_float= random.uniform(1.0, 5.0)
print("指定范围的随机浮点数:", random_float)
这只是
random
模块中一小部分函数的介绍，该模块还包括其他函数，如
random.gauss()
用于生成高斯分布的随机数。通过灵活使用这些函数，可以满足各种随机数生成的需求。在实际应用中，深入了解这些函数的特性和用法，可以帮助提高程序的随机数生成效率和准确性。
7. random.seed(a=None, version=2)
random.seed(a=None, version=2)
函数用于初始化伪随机数生成器的种子。通过设置相同的种子，可以确保在不同的运行中获得相同的随机数序列，这对于调试和重现实验结果非常有用。
import random
random.seed(42) # 设置随机数生成器的种子为42
random_number=random.random()
print("固定种子下的随机浮点数:", random_number)
8. random.getrandbits(k)
random.getrandbits(k)
函数生成
k
比特长的随机整数。适用于需要生成指定位数的随机整数的情况。
import random
random_bits= random.getrandbits(4) # 生成4比特长的随机整数
print("随机整数（4比特长）:", random_bits)
9. random.randrange(start, stop[, step])
random.randrange(start, stop[, step])
函数生成一个在指定范围内以指定步长递增的随机整数。
import random
random_integer= random.randrange(0, 10, 2) # 在0到10之间，以2为步长生成随机整数
print("随机整数（指定范围和步长）:", random_integer)
10. random.random()
random.random()
函数在前面提到过，但值得注意的是，它生成的是伪随机数。如果需要更加随机的种子，可以结合使用
time
模块获取当前时间作为种子。
import random
import time
random.seed(time.time())
random_number=random.random()
print("更加随机的浮点数:", random_number)
通过深入了解
random
模块的这些函数，你可以更好地利用Python进行随机数生成，满足各种应用场景的需求。无论是用于模拟实验、数据采样还是密码学领域，
random
模块提供了强大的工具来处理随机数。确保在实际应用中选择适当的函数，并根据需求设置合适的参数，以获得所需的随机性。
11. random.triangular(low, high, mode)
random.triangular(low, high, mode)
函数生成一个服从三角分布的随机浮点数，其中
low
是分布的最小值，
high
是最大值，
mode
是众数。
import random
random_triangular= random.triangular(1, 5, 3) # 生成三角分布的随机数
print("三角分布的随机浮点数:", random_triangular)
12. random.betavariate(alpha, beta)
random.betavariate(alpha, beta)
函数生成一个服从Beta分布的随机浮点数，其中
alpha
和
beta
是分布的形状参数。
import random
random_beta= random.betavariate(2, 5) # 生成Beta分布的随机数
print("Beta分布的随机浮点数:", random_beta)
13. random.expovariate(lambd)
random.expovariate(lambd)
函数生成一个服从指数分布的随机浮点数，其中
lambd
是分布的逆比例尺度参数。
import random
random_exponential= random.expovariate(2) # 生成指数分布的随机数
print("指数分布的随机浮点数:", random_exponential)
14. random.gammavariate(alpha, beta)
random.gammavariate(alpha, beta)
函数生成一个服从Gamma分布的随机浮点数，其中
alpha
是形状参数，
beta
是尺度参数。
import random
random_gamma= random.gammavariate(2, 1) # 生成Gamma分布的随机数
print("Gamma分布的随机浮点数:", random_gamma)
15. random.paretovariate(alpha)
random.paretovariate(alpha)
函数生成一个服从帕累托分布的随机浮点数，其中
alpha
是形状参数。
import random
random_pareto= random.paretovariate(2) # 生成帕累托分布的随机数
print("帕累托分布的随机浮点数:", random_pareto)
通过理解这些分布的生成函数，可以更好地在统计建模、模拟实验等应用中使用
random
模块，满足不同分布的随机数需求。选择适当的分布和参数将有助于更准确地模拟实际情况。
16. random.weibullvariate(alpha, beta)
random.weibullvariate(alpha, beta)
函数生成一个服从威布尔分布的随机浮点数，其中
alpha
是形状参数，
beta
是尺度参数。
import random
random_weibull= random.weibullvariate(2, 1) # 生成威布尔分布的随机数
print("威布尔分布的随机浮点数:", random_weibull)
17. random.gauss(mu, sigma)
random.gauss(mu, sigma)
函数生成一个服从高斯分布（正态分布）的随机浮点数，其中
mu
是均值，
sigma
是标准差。
import random
random_gaussian= random.gauss(0, 1) # 生成高斯分布的随机数
print("高斯分布的随机浮点数:", random_gaussian)
18. random.lognormvariate(mu, sigma)
random.lognormvariate(mu, sigma)
函数生成一个服从对数正态分布的随机浮点数，其中
mu
是对数均值，
sigma
是对数标准差。
import random
random_lognormal= random.lognormvariate(0, 1) # 生成对数正态分布的随机数
print("对数正态分布的随机浮点数:", random_lognormal)
19. random.vonmisesvariate(mu, kappa)
random.vonmisesvariate(mu, kappa)
函数生成一个服从von Mises分布（圆周分布）的随机浮点数，其中
mu
是分布的均值，
kappa
是分布的集中度参数。
import random
random_vonmises= random.vonmisesvariate(0, 1) # 生成von Mises分布的随机数
print("von Mises分布的随机浮点数:", random_vonmises)
20. random.choices(population, weights=None, k=1)
random.choices(population, weights=None, k=1)
函数从总体
population
中以权重
weights
进行随机抽样，返回
k
个元素。
import random
choices_population= [1, 2, 3, 4, 5]
weights= [0.1, 0.2, 0.3, 0.2, 0.2]
random_choices= random.choices(choices_population, weights=weights, k=3)
print("带权重的随机抽样结果:", random_choices)
这些函数覆盖了
random
模块中的主要随机数生成方法，可以满足多样化的需求。在实际应用中，根据具体场景选择适当的分布和函数，合理设置参数，能够更好地模拟真实情况，支持科学计算和数据分析。
总结
在本文中，我们深入探讨了Python标准库中的
random
模块，介绍了各种随机数生成函数以及它们的应用场景和代码示例。从生成均匀分布的
random.random()
到更复杂的分布如三角分布、Beta分布、威布尔分布等，
random
模块提供了丰富的工具来满足不同随机数需求。
我们学习了如何生成随机整数、随机浮点数，以及如何在序列中进行随机选择和打乱。探讨了种子的设置和伪随机数生成器的初始化，以及如何应用在实验重现和调试过程中。同时，通过深入了解各种分布的生成函数，我们能够更好地模拟和处理不同领域的实际问题。
最后，我们强调了在实际应用中，根据具体场景选择适当的随机数生成函数是非常关键的。合理设置参数，选择合适的分布，有助于提高模拟的准确性和实验的可重现性。
random
模块为科学计算、模拟实验和数据分析等领域提供了强大的工具，通过灵活应用这些函数，我们能够更好地处理各种随机性需求。
