python生成随机浮点数_为组合浮点数随机。随机（）在Python中

您的实现很好：假设getrandbits本身足够随机，那么您的实现将以相等的概率为0 <= n < 2^52生成n / 2^52形式的每个数，因此这是{}上均匀分布的一个很好的近似值。你使用的减法不是问题：减法的结果总是精确地表示出来的，因此减法不会涉及舍入或精度损失。在

Python的random()实现在return self.getrandbits(53) / 2**53.的路线上做了更多的事情，效果相似，只是输出的分布现在是原来的两倍：您以相等的概率获得n / 2^53形式的每个数。在实践中，大多数应用程序不太可能注意到这两种实现之间的差异。如果你关心的是速度，它很可能也更快，尽管你应该像往常一样侧写，看看是否真的是这样。在

这两种方法都不是完美的：在[0.0, 1.0)范围内有大约2^62个不同的ieee754二进制64浮点，而您的实现只能生成2^52个不同的输出，因此这些浮动中的大多数永远不能由上述实现中的任何一个生成。一个更好的random()实现可以在[0.0, 1.0]范围内生成每个浮点数x，其概率等于某种形式的舍入到x的子区间的长度。然而，这样的实现将更加复杂(尽管不是特别难实现)，并且很少有应用程序能够从更大的输出集中获益。正如Python禅宗所说：“实用性胜过纯洁性。”

编辑：为了说明上面最后一段，这里有一些代码。根据上述描述，uniform函数使用getrandbits在{}上生成均匀分布的浮动。在"""

High quality uniform random variable on [0, 1].

Simulates round(X) where X is a real random variable uniformly distributed on

the interval [0, 1] and round is the usual round-to-nearest rounding function

from real numbers to floating-point.

"""

from __future__ import division

import random

precision = 53

emin = -1021

def random_significand():

return (random.getrandbits(precision) + 1) // 2 / (2**precision)

def uniform():

for i in xrange(1 - emin):

if random.getrandbits(1):

return (random_significand() + 0.5) / 2**i

# Subnormal

return random_significand() / 2**i