标准库：random --- 生成伪随机数

Lib/random.py

该模块实现了各种分布的伪随机数生成器。

random 模块还提供 SystemRandom 类，它使用系统函数 os.urandom() 从操作系统提供的源生成随机数。

---

random.seed(a=None, version=2)

初始化随机数生成器。

如果 a 是 int 类型，则直接使用。

对于版本2（默认的），str 、 bytes 或 bytearray 对象转换为 int 并使用它的所有位。 

对于版本1（用于从旧版本的Python再现随机序列），用于 str 和 bytes 的算法生成更窄的种子范围。

---

random.getstate()

返回捕获生成器当前内部状态的对象。 这个对象可以传递给 setstate() 来恢复状态。

random.setstate(state)

state 应该是从之前调用 getstate() 获得的，并且 setstate() 将生成器的内部状态恢复到 getstate() 被调用时的状态。

import random
import pprint
state = random.getstate()
random.setstate(state)
pprint.pprint(random.getstate())

---

用于字节数据的函数

random.randbytes(n)

生成 n 个随机字节。

import random
import pprint
randBytes = random.randbytes(5)
for byte in randBytes:
    pprint.pprint(byte)

# output: 5
# output: 100
# output: 171
# output: 149
# output: 236

---

整数用函数

random.randrange(stop)

random.randrange(start, stop[, step])

从 range(start, stop, step) 返回一个随机选择的元素。 这相当于 choice(range(start, stop, step)) ，但实际上并没有构建一个 range 对象。

位置参数模式匹配 range() 。不应使用关键字参数，因为该函数可能以意外的方式使用它们。

random.randint(a, b)

返回随机整数 N 满足 a <= N <= b。相当于 randrange(a, b+1)。

random.getrandbits(k)

返回具有 k 个随机比特位的非负 Python 整数。 此方法随 MersenneTwister 生成器一起提供，其他一些生成器也可能将其作为 API 的可选部分提供。 在可能的情况下，getrandbits() 会启用 randrange() 来处理任意大的区间。

import random
import pprint
pprint.pprint(random.randrange(100))
# output: 82 (随机数)

print('')
pprint.pprint(random.randrange(100, 200))
# output: 193 (随机数)

print('')
pprint.pprint(random.randrange(100, 200, 5))
# output: 145(随机数)

print('')
pprint.pprint(random.randint(100, 200))
# output: 119(随机数)

print('')
randBits = random.getrandbits(5)
pprint.pprint('{:05b}'.format(randBits))
# output: '01111' (随机数)

---

序列用函数

random.choice(seq)

从非空序列 seq 返回一个随机元素。 如果 seq 为空，则引发 IndexError。

random.choices(population, weights=None, *, cum_weights=None, k=1)

从*population*中选择替换，返回大小为 k 的元素列表。 如果 population 为空，则引发 IndexError。

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。

random.shuffle(x[, random])

将序列 x 随机打乱位置。

可选参数 random 是一个0参数函数，在 [0.0, 1.0) 中返回随机浮点数；默认情况下，这是函数 random() 。

random.sample(population, k, *, counts=None)

返回从总体序列或集合中选择的唯一元素的 k 长度列表。 用于无重复的随机抽样。

返回包含来自总体的元素的新列表，同时保持原始总体不变。 结果列表按选择顺序排列，因此所有子切片也将是有效的随机样本。 这允许抽奖获奖者（样本）被划分为大奖和第二名获胜者（子切片）。

import random
import pprint


seq = [1, 3, 5, 7, 9]
pprint.pprint(random.choice(seq))
# output: 3 (随机序列)

seq1 = [[1, 3], [5, 7], [9, 11], [2, 4], [6, 8], [10, 12]]
weight = [1, 5, 5, 5, 50, 50]  # 对应seq1的项出现的概率
list1 = random.choices(seq1, weights=weight, k=2)
for item in list1:
    pprint.pprint(item)
# output: [10, 12] (随机序列)
# output: [10, 12] (随机序列)

cum_weight = [50, 50, 50, 45, 50, 50]  # 对应seq1的项出现的概率
list1 = random.choices(seq1, cum_weights=cum_weight, k=2)
for item in list1:
    pprint.pprint(item)
# output: [1, 3] (随机序列)
# output: [1, 3] (随机序列)

seq2 = [1, 2, 3, 4, 5]
random.shuffle(seq2)
print(seq2)
# output: [3, 2, 5, 1, 4]

print(random.sample(['red', 'red', 'red', 'red', 'blue', 'blue'], k=3))
# output: ['red', 'blue', 'blue'] (随机序列)

print(random.sample(['red', 'blue'], counts=[4, 2], k=3))
# output: ['blue', 'red', 'red'] (随机序列)

---

实值分布

random.random()

返回 [0.0, 1.0) 范围内的下一个随机浮点数。

import random
import pprint

pprint.pprint('{:.4f}'.format(random.random()))
# output: '0.1831'(随机序列)

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 。

取决于等式 a + (b-a) * random() 中的浮点舍入，终点 b 可以包括或不包括在该范围内。

import random
import pprint

pprint.pprint('{:.4f}'.format(random.uniform(1, 2)))
# output: '1.5709'(随机序列)

pprint.pprint('{:.4f}'.format(random.uniform(1, 1)))
# output: '1.0000'(随机序列)

pprint.pprint('{:.4f}'.format(random.uniform(2, 1)))
# output: '1.3997'(随机序列)

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 。 low 和 high 边界默认为零和一。 mode 参数默认为边界之间的中点，给出对称分布。

import random
import pprint

pprint.pprint('{:.4f}'.format(random.triangular(1, 2)))
# output: '1.5117'(随机序列)

pprint.pprint('{:.4f}'.format(random.triangular(1, 2, 1.2)))
# output: '1.3947'(随机序列)

random.betavariate(alpha, beta)

Beta 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。

import random
import pprint

pprint.pprint('{:.4f}'.format(random.betavariate(1, 100)))
# output: '0.0158'(随机序列)

random.expovariate(lambd)

指数分布。 lambd 是 1.0 除以所需的平均值，它应该是非零的。 （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。

import random
import pprint

pprint.pprint('{:.4f}'.format(random.expovariate(0.1)))
# output: '5.4204'(随机序列)

pprint.pprint('{:.4f}'.format(random.expovariate(-1)))
# output: '-2.6717'(随机序列)

random.gammavariate(alpha, beta)

Gamma 分布。 （ 不是 gamma 函数！ ） 参数的条件是 alpha > 0 和 beta > 0。

概率分布函数是:

          x ** (alpha - 1) * math.exp(-x / beta)
pdf(x) =  --------------------------------------
            math.gamma(alpha) * beta ** alpha

random.gauss(mu, sigma)

正态分布，也称高斯分布。 mu 为平均值，而 sigma 为标准差。 此函数要稍快于下面所定义的 normalvariate() 函数。

多线程注意事项：当两个线程同时调用此方法时，它们有可能将获得相同的返回值。 这可以通过三种办法来避免。 1) 让每个线程使用不同的随机数生成器实例。 2) 在所有调用外面加锁。 3) 改用速度较慢但是线程安全的 normalvariate() 函数。

random.lognormvariate(mu, sigma)

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。

random.normalvariate(mu, sigma)

正态分布。 mu 是平均值，sigma 是标准差。

random.vonmisesvariate(mu, kappa)

冯·米塞斯分布。 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。

random.paretovariate(alpha)

帕累托分布。 alpha 是形状参数。

random.weibullvariate(alpha, beta)

威布尔分布。 alpha 是比例参数，beta 是形状参数。

---

替代生成器

class random.Random([seed])

该类实现了 random 模块所用的默认伪随机数生成器。

3.9 版后已移除: 在将来，seed 必须是下列类型之一: NoneType, int, float, str, bytes 或 bytearray。

class random.SystemRandom([seed])

使用 os.urandom() 函数的类，用从操作系统提供的源生成随机数。 这并非适用于所有系统。 也不依赖于软件状态，序列不可重现。 因此，seed() 方法没有效果而被忽略。 getstate() 和 setstate() 方法如果被调用则引发 NotImplementedError。