[转]Python的random

随机数生成是日常工作中经常使用的功能。下面简要介绍下Python的随机数生成标准库random。

一、常用函数

（1）生成0和1之间的浮点数，random()
生成区间为[0,1)
import random
print(random.random())
输出结果：0.8092116913076974
（2）生成a和b之间的整数，randint(a,b)
生成区间为[a,b]
print(random.randint(-10,10))
输出结果：9
a必须小于等于b，如果a==b，则输出a。
print(random.randint(10,10))
输出结果：10
（3）生成a和b之间的浮点数，unifrom(a,b)，也是均匀分布，因为非常常用放在这里。
生成区间为[a,b]
print(random.uniform(-10,10))
输出结果：-4.109021075631352
这个函数中，a可以大于b，生成的是min(a,b)和max(a,b)之间的浮点数。
（4）生成a和b之间某个范围的整数，randrange(a,b,step)
生成区间为：在[a,b]范围内，从a开始（包含a），每隔step的数形成的集合。
print(random.randrange(0,10,2))
输出结果：生成[0,10]之前的偶数
print(random.randrange(1,10,2))
输出结果：生成[0,10]之前的奇数

二、操作序列的函数

（1）从一个序列seq中随机选取一个元素，choice(seq)
seq1 = [1,2,3,4,5]
seq2 = ((1,2),(3,4),(5,6))
seq3 ="abcdef"
print(random.choice(seq1))
print(random.choice(seq2))
print(random.choice(seq3))
输出结果：
5
(3, 4)
a
（2）将一个列表list中的元素随机打乱，shuffle(list)
注意，shuffle函数需要修改原序列，因此输入的序列seq必须是可更改的，所以只支持list类型。shuffle有个很传神的名字：洗牌。
seq = [1,2,3,4,5]
print(random.shuffle(seq),seq,sep='\n')
输出结果：
None
[2, 5, 1, 4, 3]
（3）从一个序列中随机取出k个元素，sample(seq,k)
seq = [1,2,3,4,5]
print(random.sample(seq,3),seq,sep='\n')
输出结果：
[4, 5, 2]
[1, 2, 3, 4, 5]
注意几个方面：一是sample并不改变原序列，因此输入序列seq可以是元组、字符串、set等数据类型。二是取出k个元素是从不同位置取值的，因此如果原序列无重复元素，形成的新序列也不会存在重复元素。三是不管输入序列seq是什么类型，sample返回的是list类型，看下例。
seq = "abcdef"
print(random.sample(seq,3),seq,sep='\n')
输出结果：
['c', 'a', 'd']
abcdef

三、随机生成符合某种分布的数据

（1）均匀分布，uniform(a,b)
见第一节描述。非常常用。
（2）正态分布，normalvariate(mu,sigma)
mu：均值
sigma：标准差
mu=0，sigma=1为标准正态分布。
除了均匀分布，正态分布用的是最多的。
import random
import numpy as np
import time
st = time.clock()
N =1000000
n = []
for i in range(N):
    n.append(random.normalvariate(0,1))
print("均值=",np.mean(n))
print("标准差=",np.std(n))
print("耗时=",time.clock() - st)
输出结果：
均值= -7.42643413388e-05
标准差= 1.00049689373
耗时= 5.702438655147374
可以看出，随机生成1000000个数，这些数符合正态分布。
（3）高斯分布，gauss(mu,sigma)
就是正态分布，采用了不同的实现方式，据说运行速度更快。
import random
import numpy as np
import time
st = time.clock()
N =1000000
n = []
for i in range(N):
    n.append(random.gauss(0,1))
print("均值=",np.mean(n))
print("标准差=",np.std(n))
print("耗时=",time.clock() - st)
输出结果
均值= 0.000604319020838
标准差= 0.999634159673
耗时= 4.827287158657131
1000000个数快了不到1秒，也没快太多。
（4）还有生成三角形分布、对数分布、指数分布、β分布、伽马分布等的函数
triangular(low, high, mode)三角形分布
lognormvariate(mu, sigma)对数分布
expovariate(lambd)指数分布
gammavariate(alpha, beta)伽马分布
等等。实际工作中，这些分布比均匀分布和正态分布用的都少的多。
————————————————
版权声明：本文为CSDN博主「saltriver」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/saltriver/article/details/52270371