Python random模块(获取随机数)常用方法和使用例子

本文详细介绍了Python中生成随机数的各种方法,包括随机浮点数、整数、字符及序列的选择,并展示了如何利用不同的函数来生成符合特定分布的随机数。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这个模块中的随机数是伪随机数,不能应用于安全加密,如果你需要一个真正的密码安全随机数,你需要使用os.urandom()或者random模块中的SystemRandom类来实现

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

random.uniform
random.uniform(a, b),用于生成一个指定范围内的随机符点数,两个参数其中一个是上限,一个是下限。

如果a > b,则生成的随机数n: a <= n <= b。如果 a <b, 则 b <= n <= a

还可以以均匀分布和高斯分布在特定区间生成随机数。

s = np.random.normal(mu, sigma, sampleNo)##正态分布随机数

s = sigma * np.random.standard_normal(sampleNo ) + mu ##通过标准正态分布得到普通正态分布随机数

下面生成的实数符合其它的分布 (你可以参考一些统计方面的书籍来了解这些分布):

random.gauss(mu,sigma)    # 随机生成符合高斯分布的随机数,mu,sigma为高斯分布的两个参数。 

random.expovariate(lambd) # 随机生成符合指数分布的随机数,lambd为指数分布的参数。

此外还有对数分布,正态分布,Pareto分布,Weibull分布,可参考下面链接:

http://docs.python.org/library/random.html


代码如下:

print random.uniform(10, 20)
print random.uniform(20, 10)
# 18.7356606526
# 12.5798298022

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

代码如下:

print random.randint(12, 20) # 生成的随机数 n: 12 <= n <= 20
print random.randint(20, 20) # 结果永远是20
# print random.randint(20, 10) # 该语句是错误的。下限必须小于上限

random.randrange
random.randrange([start], stop[, step]),从指定范围内,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

random.choice
random.choice从序列中获取一个随机元素。其函数原型为:random.choice(sequence)。

参数sequence表示一个有序类型。这里要说明 一下:sequence在python不是一种特定的类型,而是泛指一系列的类型。

list, tuple, 字符串都属于sequence。有关sequence可以查看python手册数据模型这一章。下面是使用choice的一些例子:

代码如下:

print random.choice("学习Python")
print random.choice(["JGood", "is", "a", "handsome", "boy"])
print random.choice(("Tuple", "List", "Dict"))

random.shuffle
random.shuffle(x[, random]),用于将一个列表中的元素打乱。主要用于交叉验证训练集和测试集的构造如:

代码如下:

p = ["Python", "is", "powerful", "simple", "and so on..."]
random.shuffle(p)
print p
# ['powerful', 'simple', 'is', 'Python', 'and so on...']

random.sample
random.sample(sequence, k),从指定序列中随机获取指定长度的片断。sample函数不会修改原有序列

代码如下:

list = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
slice = random.sample(list, 5) # 从list中随机获取5个元素,作为一个片断返回
print slice
print list # 原有序列并没有改变


随机整数:

代码如下:
>>> import random
>>> random.randint(0,99)
# 21

随机选取0到100间的偶数:

代码如下:
>>> import random
>>> random.randrange(0, 101, 2)
# 42

随机浮点数:

代码如下:
>>> import random
>>> random.random()
0.85415370477785668
>>> random.uniform(1, 10)
# 5.4221167969800881

随机字符:

代码如下:
>>> import random
>>> random.choice('abcdefg&#%^*f')
# 'd'

多个字符中选取特定数量的字符:

代码如下:
>>> import random
random.sample('abcdefghij', 3)
# ['a', 'd', 'b']

多个字符中选取特定数量的字符组成新字符串:

代码如下:
>>> import random
>>> import string
>>> string.join( random.sample(['a','b','c','d','e','f','g','h','i','j'], 3) ).replace(" ","")
# 'fih'

随机选取字符串:

代码如下:
>>> import random
>>> random.choice ( ['apple', 'pear', 'peach', 'orange', 'lemon'] )
# 'lemon'

洗牌:

代码如下:
>>> import random
>>> items = [1, 2, 3, 4, 5, 6]
>>> random.shuffle(items)
>>> items
# [3, 2, 5, 6, 4, 1]
### 使用Python生成随机数列表 为了生成一列表的随机数,在Python中有多种方式可以实现这一目标。对于仅需生成纯数字组成的随机数组合而言,`random.randint()` 或 `random.randrange()` 函数非常适用[^2]。 下面是一个简单的例子来展示如何创建一个包含指定数量随机整数的列表: ```python import random def generate_random_int_list(length, lower_bound=0, upper_bound=9999): """Generates a list of specified length with random integers within given bounds.""" return [random.randint(lower_bound, upper_bound) for _ in range(length)] # Example usage to create a list of 10 four-digit numbers (from 0000 to 9999) random_numbers = generate_random_int_list(10, 0, 9999) print(random_numbers) ``` 如果希望生成的是不带重复项的独特随机数值,则可考虑采用如下方法之一: - 利用集合数据结构自动去除重复元素; - 应用 `random.sample()` 方法直接获取无重叠的结果集; 当涉及到更复杂的场景比如需要混合大小写字母加数字作为随机字符串时,可以借助于 `string` 模块中的常量以及 `random.choices()` 来完成任务。 ```python import string import random def generate_mixed_random_string(length): characters = string.ascii_letters + string.digits return ''.join(random.choices(characters, k=length)) # Generate a mixed alphanumeric string of specific length mixed_random_str = generate_mixed_random_string(16) print(mixed_random_str) ``` 此外,若要处理更大规模的数据或是追求更高的性能表现,还可以引入 NumPy 库来进行批量操作,例如通过调用 `numpy.random.choice()` 或者其他相关函数快速构建大规模随机样本空间[^3]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值