python的标准随机数生成器模块是什么,随机数生成器python

  python的标准随机数生成器模块是什么,随机数生成器python

  一、概述

  随机模块

  用于生成伪随机数。

  之所以称之为伪随机数,是因为真随机数(或随机事件)是在实验过程中根据分布概率随机产生的,其结果是不可预测、不可见的。计算机中的随机函数是按照一定的算法模拟的,其结果是确定的、可见的。我们可以认为这种可预见结果的概率是100%。所以计算机随机函数产生的“随机数”不是随机的,而是伪随机的。

  计算机伪随机数是随机种子按照一定的计算方法计算出来的数值。所以只要计算方法一定,随机种子一定,那么产生的随机数就是固定的。

  只要用户或第三方没有设置随机种子,默认情况下随机种子来自系统时钟。

  Python的这个库在底层使用了一个通用算法。经过长时间的测试,其可靠性不能说,但绝对不能用于密码相关的功能。

  二、基本方法

  Random.seed(a=None,version=2)初始化伪随机数生成器。如果未提供或a=None,则使用系统时间作为种子。如果a是整数,则用作种子。

  Random.getstate()返回当前生成器内部状态的对象。

  Random.setstate(state)传入一个之前使用getstate方法获得的状态对象,使生成器恢复到这个状态。

  Random.getrandom bits (k)返回不超过k位的Python整数(十进制)。例如,如果k=10,则结果是0到2 ^ 10之间的整数。

  三、针对整数的方法

  random.randrange(停止)

  random.randrange(开始,停止[,步进])

  等效于choice(range(start,stop,step)),但实际上并不创建range对象。

  random.randint

  返回一个随机整数n,其中a=n=b。等效于randrange(a,b 1)

  四、针对序列类结构的方法

  Random.choice(seq)从非空序列seq中随机选择一个元素。如果seq为空,将弹出一个IndexError异常。

  random.choices (population,weights=none,*,cum _ weights=none,k=1)版本3.6是新版本。k个元素是从群体聚类中随机选择的。Weights是相对权重的列表,cum_weights是累积权重。两个参数不能同时存在。

  Random.shuffle(x[,random])随机打乱序列x中元素的顺序。仅适用于可变序列。对于不可变序列,请使用下面的sample()方法。

  Random.sample(population,k)从总体样本或集合中随机选择k个不重复的元素以形成新的序列。常用于无重复的随机抽样。返回的是一个新序列,不会破坏原来的序列。要从整数区间中随机抽取一定数量的整数,使用类似sample(range(10000000),k=60)的方法,效率非常高,而且节省空间。如果k大于填充长度,将弹出ValueError异常。

  五、真值分布

  随机模块最高端的功能其实就在这里。

  Random.random()返回左闭右开[0.0,1.0]范围内的浮点数。

  Random.uniform(a,B)返回介于a和B之间的浮点数,如果是ab,则介于B和a之间。

  的浮点数。这里的a和b都有可能出现在结果中。

  

random.triangular(low,high,mode)
返回一个low <= N <=high的三角形分布的随机数。参数mode指明众数出现位置。

  

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、可选择的生成器

  class random.SystemRandom([seed])

  使用 os.urandom() 方法生成随机数的类,由操作系统提供源码,不一定所有系统都支持

  七、典型的例子

  

>>>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的偶数

  26

  >>>choice(['win','lose','draw'])#从序列随机选择一个元素

  'draw'

  >>>deck='acetwothreefour'.split()

  >>>shuffle(deck)#对序列进行洗牌,改变原序列

  >>>deck

  ['four','two','ace','three']

  >>>sample([10,20,30,40,50],k=4)#不改变原序列的抽取指定数目样本,并生成新序列

  [40,10,50,30]

  >>>#6次旋转红黑绿轮盘(带权重可重复的取样),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Deal20cardswithoutreplacementfromadeckof52playingcards

  >>>#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

  >>>#模拟概率Estimatetheprobabilityofgetting5ormoreheadsfrom7spins

  >>>#ofabiasedcointhatsettlesonheads60%ofthetime.

  >>>trial=lambda:choices('HT',cum_weights=(0.60,1.00),k=7).count('H')>=5

  >>>sum(trial()foriinrange(10000))/10000

  0.4169

  >>>#Probabilityofthemedianof5samplesbeinginmiddletwoquartiles

  >>>trial=lambda:2500<=sorted(choices(range(10000),k=5))[2]<7500

  >>>sum(trial()foriinrange(10000))/10000

  0.7958

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: