一、概述

random模块

用于生成伪随机数

伪随机数之所以被称为伪随机数，是因为真正意义上的随机数（或随机事件）是根据实验过程中表现出的分布概率随机产生的，其结果是不可预测和不可见的。计算机中的随机函数是根据某个算法模拟的，其结果是确定的和可见的。我们可以认为这个可预见的结果的概率是100%。因此，计算机随机函数产生的“随机数”不是随机的，而是伪随机数。

计算机的伪随机数是根据一定的计算方法计算的随机种子的值。因此，只要计算方法是一定的，随机种子是一定的，那么随机数就是固定的。

在默认情况下，随机种子来自系统时钟，只要用户或第三方不设置随机种子。

Python的库在底层采用通用算法，经过长时间的测试，可靠性不能说，但绝对不能用于密码相关功能。

二、基本方法

random.seed(a=None,version=2)

初始化伪随机数生成器。如果不提供a或a=None，将系统时间用作种子。假如a是一个整数，则用作种子。

random.getstate()

返回当前生成器内部状态的对象

random.setstate(state)

引入之前使用getstate方法获得的状态对象，使生成器恢复到这种状态。

random.getrandbits(k)

回到不大于K位的Python整数(十进制)，如k=10，则结果在0~2^10之间。

三、整数方法

random.randrange(stop)

random.randrange(start, stop[, step])

等同于choice(range(start, stop, step))，但是实际上并没有创建range对象。

random.randint(a, b)

返回一个a <= N <= b的随机整数N。相当于 randrange(a, b+1)

第四，针对序列结构的方法

random.choice(seq)

从非空序列seq中随机选择一个元素。如果seq是空的，则弹出 Indexerror异常。

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

3.6新版本。K元素随机从population集群中提取。weights是一个相对权重列表，cum_weights是累计权重，两个参数不能同时存在。

random.shuffle(x[,random])

随机打乱序列x中元素的排列顺序。对于可变序列，请使用以下sample()方法。

random.sample(population,k)

从population样本或集合中随机抽取K个不重复元素，形成新的序列。常用于不重复的随机抽样。返回的是一个不会破坏原始序列的新序列。从整数范围内随机抽取一定数量的整数，请使用sample(range(10000000), k=60)类似的方法，非常有效，节省空间。如果k大于population的长度，则弹出valueeror异常。

五、真值分布

事实上，random模块的最高端功能就在这里。

random.random()

回到左闭右开[0.0， 1.0)间隔内的浮点数

random.uniform(a,b)

返回a和b之间的浮点数。如果a>b，是b到a之间的浮点数。结果中可能会出现这里的a和b。

random.triangular(low,high,mode)

回到一个low <= N <=high三角形分布的随机数。参数mode指示众数的位置。

random.betavariate(alpha,beta)

β分布。返回的结果在0~1之间

random.expovariate(lambd)

指数分布

random.gammavariate(alpha,beta)

伽马分布

random.gauss(mu,sigma)

高斯分布

random.lognormvariate(mu,sigma)

对数正态分布

random.normalvariate(mu,sigma)

正态分布

random.vonmisesvariate(mu,kappa)

卡帕分布

random.paretovariate(alpha)

帕累托分布

random.weibullvariate(alpha,beta)

六、可选生成器

class random.SystemRandom([seed])

使用 os.urandom() 该方法生成由操作系统提供源代码的随机数类，并非所有系统都支持

七、典型例子

>>>random()#随机浮点数：0.0<=x<1.0
0.37444887175646646
>>>uniform(2.5，10.0)#随机浮点数:2.5<=x<10.0
3.1800146073117523
>>>randrange(10)#0-9的整数:
7
>>>randrange(0，101，2)#0-100偶数
26
>>>choice(['win','lose','draw'])#从序列中随机选择一个元素
'draw'
>>>deck='acetwothreefour'.split()
>>>shuffle(deck)#洗牌序列，改变原序列
>>>deck
['four','two','ace','three']
>>>sample(10、20、30、40、50)，k=4)#不改变原序列提取的指定数量样本，生成新序列
[40,10,50,30]
>>>#红、黑、绿轮盘旋转6次(重量可重复取样)，不破坏原序列
>>>choices(['red','black','green'],[18,18,2],k=6)
['red','green','black','black','red','black']
>>>#德州扑克计算概率Deal20cardswithoutreplacetfrof5
>>>#anddeterminetheproportionofcardswithaten-value
>>>#(aten,jack,queen,orking).
>>>deck=collections.Counter(tens=16,low_cards=36)
>>>seen=sample(list(deck.elements()),k=20)
>>>seen.count('tens')/20
0.15
>>>#Esting5ormoreheadsfrom7spinspinspinspinsping模拟概率
>>>#ofabiasedcointhatsetlesonheads60%ofthetime.
>>>trial=lambda:choices('HT',cum_weights=(0.60,1.00),k=7).count('H')>=5
>>>sum(trial()foriinrange(10000))/10000
0.4169
>>>#Probilityofthedianofff5samplesbeinginmiddletwoquartiles
>>>trial=lambda:2500<=sorted(choices(range(10000),k=5))[2]<7500
>>>sum(trial()foriinrange(10000))/10000
0.7958