详解Python基础random模块随机数的生成


						随机数参与的应用场景大家一定不会陌生，比如密码加盐时会在原密码上关联一串随机数，蒙特卡洛算法会通过随机数采样等等。Python内置的random模块提供了生成随机数的方法，使用这些方法时需要导入random模块。





import random



下面介绍下Python内置的random模块的几种生成随机数的方法。

1、random.random() 随机生成 0 到 1 之间的浮点数[0.0, 1.0) 。





print("random: ", random.random())

#random: 0.5714025946899135



2、random.randint(a , b) 随机生成 a 与 b 之间的整数[a, b]。







print("randint: ", random.randint(6,8))

#randint: 8



3、random.randrange(start,stop,step)按步长step随机在上下限范围内取一个随机数。





print("randrange: ",random.randrange(20,100,5))

#randrange: 85





4、random.uniform(a, b) 随机生成 a 与 b 之间的浮点数[a, b]。







print("uniform: ",random.uniform(5,10))

#uniform: 5.119790163375776



5、random.choice() 从列表中随机取出一个元素，比如列表、元祖、字符串等。注意的是，该方法需要参数非空，否则会抛出 IndexError 的错误。





print("choice: ",random.choice("www.yuanxiao.net"))

#choice: y



6、random.shuffle(items) 把列表 items 中的元素随机打乱。注意的是，如果不想修改原来的列表，可以使用 copy 模块先拷贝一份原来的列表。







num = [1, 2, 3, 4, 5]

random.shuffle(num)

print("shuffle: ",num)

#shuffle: [1, 3, 5, 4, 2]



7、random.sample(items, n) 从列表 items 中随机取出 n 个元素。





num = [1, 2, 3, 4, 5]

print("sample: ",random.sample(num, 3))

#sample: [4, 1, 5]





Python 的random模块产生的随机数其实是伪随机数，依赖于特殊算法和指定不确定因素(种子seed)来实现。如randint方法生成一定范围内的随机数，会先指定一个特定的seed，将seed通过特定的随机数产生算法，得到一定范围内随机分布的随机数。因此对于同一个seed值的输入产生的随机数会相同，省略参数则意味着使用当前系统时间秒数作为种子值，达到每次运行产生的随机数都不一样。





random.seed(2)

print("random: ", random.random())

#random: 0.9560342718892494



random.seed(3)

print("random: ", random.random())

#random: 0.23796462709189137



random.seed(3)#同一个种子值，产生的随机数相同

print("random: ", random.random())

#random: 0.23796462709189137







numpy库也提供了random模块，用于生成多维度数组形式的随机数。使用时需要导入numpy库。







import numpy as np





下面介绍下numpy库的random模块的几种生成随机数的方法。

1、numpy.random.rand(d0,d1,…,dn)



  rand函数根据给定维度生成[0,1]之间的数据，包含0，不包含1

  dn表格每个维度

  返回值为指定维度的array

  







print("np.random.rand：\n {}".format(np.random.rand(4,2))) # shape: 4*3

"""

np.random.rand：

 [[0.5488135 0.71518937]

 [0.60276338 0.54488318]

 [0.4236548 0.64589411]

 [0.43758721 0.891773 ]]

"""



print("np.random.rand：\n {}".format(np.random.rand(4,3,2))) # shape: 4*3*2

"""

np.random.rand：

 [[[0.96366276 0.38344152]

 [0.79172504 0.52889492]

 [0.56804456 0.92559664]]



 [[0.07103606 0.0871293 ]

 [0.0202184 0.83261985]

 [0.77815675 0.87001215]]



 [[0.97861834 0.79915856]

 [0.46147936 0.78052918]

 [0.11827443 0.63992102]]



 [[0.14335329 0.94466892]

 [0.52184832 0.41466194]

 [0.26455561 0.77423369]]]

"""







 2、numpy.random.randn(d0,d1,…,dn)



  randn函数返回一个或一组样本，具有标准正态分布。

  dn表格每个维度

  返回值为指定维度的array

  标准正态分布—-standard normal distribution

  标准正态分布又称为u分布，是以0为均值、以1为标准差的正态分布，记为N（0，1）。







print("np.random.randn：\n {}".format(np.random.randn())) # 当没有参数时，返回单个数据

"""

np.random.randn：

 2.2697546239876076

"""

print("np.random.randn：\n {}".format(np.random.randn(2,4)))

"""

np.random.randn：

 [[-1.45436567 0.04575852 -0.18718385 1.53277921]

 [ 1.46935877 0.15494743 0.37816252 -0.88778575]]

"""

print("np.random.randn：\n {}".format(np.random.randn(4,3,2)))

"""

np.random.randn：

 [[[-1.98079647 -0.34791215]

 [ 0.15634897 1.23029068]

 [ 1.20237985 -0.38732682]]



 [[-0.30230275 -1.04855297]

 [-1.42001794 -1.70627019]

 [ 1.9507754 -0.50965218]]



 [[-0.4380743 -1.25279536]

 [ 0.77749036 -1.61389785]

 [-0.21274028 -0.89546656]]



 [[ 0.3869025 -0.51080514]

 [-1.18063218 -0.02818223]

 [ 0.42833187 0.06651722]]]

"""







3、numpy.random.randint(low, high=None, size=None, dtype='l')



  返回随机整数，范围区间为[low,high），包含low，不包含high

  参数：low为最小值，high为最大值，size为数组维度大小，dtype为数据类型，默认的数据类型是np.int

  high没有填写时，默认生成随机数的范围是[0，low]







print("np.random.randint：\n {}".format(np.random.randint(1,size=5)))# 返回[0,1)之间的整数，所以只有0

"""

np.random.randint：

 [0 0 0 0 0]

"""

print("np.random.randint：\n {}".format(np.random.randint(1,5)))# 返回1个[1,5)时间的随机整数

"""

np.random.randint：

 2

"""

print("np.random.randint：\n {}".format(np.random.randint(-5,5,size=(2,2))))

"""

np.random.randint：

 [[-5 -3]

 [ 2 -3]]

"""







4、numpy.random.seed()



  np.random.seed()的作用：使得随机数据可预测。

  当我们设置相同的seed，每次生成的随机数相同。如果不设置seed，则每次会生成不同的随机数



以上所述是小编给大家介绍的Python基础random模块随机数的生成详解整合，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对中文源码网网站的支持！