random：Python随机数的生成与应用

前言

在实际的开发中，经常会用到随机数生成。而random库专用于随机数的生成，它是基于Mersenne Twister算法提供了一个快速伪随机数生成器。

本篇，将详细讲解各种场景之下随机数的生成应用。

生成随机数

对于随机数的生成，random库提供了很多函数，有的负责生成浮点数，有的负责生成整型，还有的可以生成区间内的随机数等。

函数名	参数	意义
random	无参数	随机生成[0-1]之间浮点数
uniform	2个整型参数：最小数，最大数	随机生成最小最大之间的浮点数
randint	2个整型参数：最小数，最大数	随机生成最小最大之间的整数
randrange	3个整型参数：最小数，最大数，步长	随机生成最小最大之间的间隔步长整数

下面，我们来看看这些常用的随机数生成函数的应用：

import random

# 随机生成[0-1]之间浮点数
print("%04.2f" % random.random())
# 随机生成浮点数
print("%04.2f" % random.uniform(100, 200))
# 随机生成整型
print(random.randint(1, 200))
# 随机生成整型
print(random.randrange(0, 200, 5))

运行之后，效果如下：

以上是最常用的，也是最普遍的随机数用法。

种子

不知道读者发现没有，通过上面这些方法虽然能生成随机数，但是随机数都是无序的。这次你运行可能开头是一个数，结尾是一个数，下次运行开头和结尾又会不一样。这对于需要固定序列的随机数需求而言，显然不合适。

所以，random库给我们提供了种子函数：random.seed()。种子会控制由公式生成的第一个值，由于公式是确定的，所以每次只要种子相同，随机数每次生成的序列值就相同。

import random

random.seed(1)
# 随机生成浮点数
print("%04.2f" % random.random())
# 随机生成浮点数
print("%04.2f" % random.uniform(100, 200))
# 随机生成整型
print(random.randint(1, 200))
# 随机生成整型
print(random.randrange(0, 200, 5))

多次运行上面这段代码，你会发现每次随机数都是一样的。

random.sample

博主经常编写刷评论的脚本，但是对于爬虫来说，有一个与众不同的随机数需求。比如，我要评论20个网页，那么将20个网页放在数组中，就会有（0，19）索引进行选择。如果用平常的区间随机数，那么可能会漏掉一些值，意味着也会漏掉一些网页没有评论。

这个时候，博主肯定期望生成一个（0，19）区间的随机数样本，且不重复。保证一个轮回评论完成之后，没有一个网页漏掉。那么这种需求用random库如何操作呢？

当然，小标题已经给出答案了，可以使用random.sample()函数：

import random

print(random.sample(range(0, 20), 20))

运行之后，效果如下：

random.sample第1个参数是一个区间数组，比如随机数在(0,19)，那么第1个参数就是range(0,19)；第2个是生成多少不重复的随机数，这里需要全部网页都能评论到，所以生成20个随机数。可以看到上面所有随机数都不重复，且都在区间而且唯一。（该函数还可以用于扑克牌的发放，感兴趣的读者，可以自己写写代码熟练掌握）

随机元素

在概率统计中，我们经常使用随机数进行预测概率，比如一枚硬币正面朝上的概率是多少等等。这种求概率的随机元素操作，如果通过随机数实现呢？

答案是random.choice()函数，它可以从一个序列中随机选择元素。比如这里我们来抛硬币10000次，看看各面朝上的概率是多少。具体代码如下：

import random

coin_pro = {
    'heads': 0,
    'tails': 0,
}
coin = ['heads', 'tails']
for i in range(10000):
    coin_pro[random.choice(coin)] += 1
print("正面朝上次数：", coin_pro['heads'])
print("反面朝上次数：", coin_pro['tails'])

运行之后，我们会得到次数，从而也可以计算概率。

SystemRandom

random库下还有一个SystemRandom类，该类产生的系列是不可再生的，因为其随机性跟随系统，而不是来自软件自身。

我们先来看一段代码：

import random
import time

r1 = random.SystemRandom()

print(r1.random())
seed = time.time()

r1 = random.SystemRandom(seed)
print(r1.random())

运行之后，效果如下：

你可以简单的把SystemRandom理解为该随机数的生成因子是系统时间，根据系统时间因子生成的随机数。（只是做一个类比），也就是上面seed因子根本不起作用，它只用系统的随机种子。

非均匀分布

使用numpy库的读者，应该会经常用到该库生成一些正态分布的值。同样的，random随机数库也提供了这些分布的函数用于进行科学计算的应用。下面，我们来分别讲解这些随机数如何生成。

函数	意义
betavariate()	根据Beta分布返回一个介于0和1之间的随机浮点数（用于统计信息）
expovariate()	根据指数分布（用于统计信息），返回一个介于0和1之间或如果介于0和-1之间的随机浮点数（如果参数为负）
gammavariate()	根据Gamma分布返回一个介于0和1之间的随机浮点数（用于统计信息）
gauss()	根据高斯分布（在概率论中使用）返回介于0和1之间的随机浮点数
lognormvariate()	根据对数正态分布（用于概率论），返回介于0和1之间的随机浮点数
normalvariate()	根据正态分布（在概率论中使用）返回介于0和1之间的随机浮点数
vonmisesvariate()	根据von Mises分布返回0到1之间的一个随机浮点数（用于定向统计）
paretovariate()	根据帕累托分布（在概率论中使用）返回介于0和1之间的随机浮点数
weibullvariate()	根据Weibull分布返回0到1之间的随机浮点数（用于统计信息）

正态分布

random库中提供了函数normalvariate()和gauss()生成正态分布随机数（高斯分布）。当然还有一个函数lognormvariate()也可以生成正态分布，不过它生成的正态分布适用于多个不交互随机变量的积。

import random

for i in range(2):
    print(random.normalvariate(0, 1))

for i in range(2):
    print(random.gauss(0, 1))

运行之后，效果如下：

以上都有2个参数：平均值与协方差。平均值是N维空间中的一个坐标，表示样本最有可能产生的位置。这类似于一维或单变量正态分布的钟形曲线的峰值。协方差表示两个变量一起变化的水平。

近似分布

三角分布(triangular distribution)，亦称辛普森分布或三角形分布。在概率论与统计学中，三角形分布是低限为a、众数为c、上限为b的连续概率分布。

triangular()方法返回两个指定数字（包括两者）之间的随机浮点数，但是您也可以指定第三个参数，即mode 参数。mode参数使您有机会权衡可能的结果，使其更接近其他两个参数值之一。mode参数默认为其他两个参数值之间的中点，它将不会权衡任何方向的可能结果。

import random

print(random.triangular(20, 60, 30))

运行之后，效果如下：

其他函数感兴趣的可以自行研究。