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。