python模块（二）------random模块及其常用方法

python模块（一）------math模块及其常用方法

random模块

• 使用前必需先导入

>>> import random

• 常用方法

# 生成整数随机数random.randrange(stop)，random.randrange(start, stop[, step])
>>> random.randrange(5)
4
>>> random.randrange(1,100)
15
>>> random.randrange(1,100,5)
61

# 生成随机整数random.randint(a, b)返回随机整数 N 满足 a <= N <= b，相当于 randrange(a, b+1)
>>> random.randint(1,2)
2

# 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.choice([1,2,3])
1
>>> random.choice(("b","a"))
'a'

# 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。如果指定了 weight 序列，则根据相对权重进行选择。 或者，如果给出 cum_weights 序列，则根据累积权重（可能使用 itertools.accumulate() 计算）进行选择。 例如，相对权重``[10, 5, 30, 5]``相当于累积权重``[10, 15, 45, 50]``。 在内部，相对权重在进行选择之前会转换为累积权重，因此提供累积权重可以节省工作量。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。 一个TypeError 指定了 weights 和 cum_weights 。weights 或 cum_weights 可使用 random() 所返回的能与 float 值进行相互运算的任何数字类型（包括整数、浮点数、分数但不包括 decimal）。 权重值应当非负且为有限的数值。 如果所有的权重值均为零则会引发 ValueError。对于给定的种子，具有相等加权的 choices() 函数通常产生与重复调用 choice() 不同的序列。 choices() 使用的算法使用浮点运算来实现内部一致性和速度。 choice() 使用的算法默认为重复选择的整数运算，以避免因舍入误差引起的小偏差。
>>> random.choices([1,2,3,4,"a","b","c"])  # 默认选择一个
[3]
>>> random.choices([1,2,3,4,"a","b","c"],k = 5) # k = 5表示选择5个
[2, 4, 'b', 2, 2]
# 后面的权重数量必需和前面元素的数量相同，权重越大，选择的机率越大，[1,2,3,4,"a","b","c"]有7个。[1,1,1,1,1,9,5]必需有7个
>>> random.choices([1,2,3,4,"a","b","c"],weights = [1,1,1,1,1,9,5],k = 5)  
['b', 'b', 'b', 'b', 4]

# random.random()返回 [0.0, 1.0) 范围内的下一个随机浮点数
>>> random.random()
0.9171489748312249

# 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
>>> random.uniform(1,5)
4.051774023364775
>>> random.uniform(1,1)
1.0
>>> random.uniform(4,1)
3.3552892965054575

# 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()
>>> x = [1,2,'a','b']
>>> random.shuffle(x)
>>> x[0]
'a'
>>> x[1]
2
>>> x[2]
'b'
>>> x[3]
1

# random.randbytes(n)用于字节数据的函数，生成 n 个随机字节

# 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）。总体成员不必是 hashable 或 unique 。 如果总体包含重复，则每次出现都是样本中可能的选择。重复的元素可以一个个地直接列出，或使用可选的仅限关键字形参 counts 来指定。 例如，sample(['red', 'blue'], counts=[4, 2], k=5) 等价于 sample(['red', 'red', 'red', 'red', 'blue', 'blue'], k=5)。要从一系列整数中选择样本，请使用 range() 对象作为参数。 对于从大量人群中采样，这种方法特别快速且节省空间：sample(range(10000000), k=60) 。如果样本大小大于总体大小，则引发 ValueError 。
>>> random.sample([1,2,3,5,4,"a","b","c"],k= 1)
[3]
>>> random.sample([1,2,3,5,4,"a","b","c"],k= 2)
[2, 1]
>>> random.sample([1,2,3,5,4,"a","b","c"],k= 7)
['c', 3, 1, 4, 2, 'a', 'b']

• 其他方法

# 初始化随机数生成器，如果 a 被省略或为 None ，则使用当前系统时间。 如果操作系统提供随机源，则使用它们而不是系统时间，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.seed(a=None, version=2)

# 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.getstate()

# 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。
random.setstate(state)

# 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。
random.getrandbits(k)

# 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。
random.triangular(low, high, mode)

# 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。
random.betavariate(alpha, beta)

# 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。
random.expovariate(lambd)

# Gamma 分布。 （ 不是 gamma 函数！ ） 参数的条件是 alpha > 0 和 beta > 0。
random.gammavariate(alpha, beta)

概率分布函数是:

          x ** (alpha - 1) * math.exp(-x / beta)
pdf(x) =  --------------------------------------
            math.gamma(alpha) * beta ** alpha
    
#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。
random.gauss(mu, sigma)

# 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。

# 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.lognormvariate(mu, sigma)

# 正态分布。 mu 是平均值，sigma 是标准差。
random.normalvariate(mu, sigma)

# 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.vonmisesvariate(mu, kappa)

# 帕累托分布。 alpha 是形状参数。
random.paretovariate(alpha)

# 威布尔分布。 alpha 是比例参数，beta 是形状参数。
random.weibullvariate(alpha, beta)

python模块（三）------os模块及其常用方法