9.6. random —生成伪随机数

源代码： Lib/random.py

---

该模块为各种分布实现伪随机数生成器。

对于整数，从范围中进行均匀选择。对于序列，统一选择随机元素，生成就地列表的随机排列的函数，以及用于随机抽样而不替换的函数。

实际上，有一些函数可以计算均匀分布，正态分布(高斯分布)，对数正态分布，负指数分布，伽玛分布和贝塔分布。为了生成角度分布，可以使用冯·米塞斯分布。

几乎所有模块Function都依赖于基本Functionrandom()，基本Functionrandom()在半开范围[0.0，1.0)中均匀地生成随机浮点数。 Python 使用 Mersenne Twister 作为核心生成器。它产生 53 位精度的浮点数，周期为 2 ** 19937-1. C 语言的基础实现既快速又线程安全。 Mersenne Twister 是现有测试最广泛的随机数生成器之一。但是，由于是完全确定性的，因此它并不适合所有目的，并且完全不适合于加密目的。

该模块提供的Function实际上是random.Random类的隐藏实例的绑定方法。您可以实例化自己的Random实例以获得不共享状态的生成器。这对于多线程程序特别有用，它为每个线程创建Random的不同实例，并使用jumpahead()方法使每个线程看到的生成序列不重叠。

如果要使用自己设计的其他基本生成器，也可以将Random类作为子类：在这种情况下，请覆盖random()，seed()，getstate()，setstate()和jumpahead()方法。可选地，新的生成器可以提供getrandbits()方法-这使randrange()可以在任意较大的范围内产生选择。

2.4 版的新Function：getrandbits()方法。

作为子类的示例，random模块提供了WichmannHill类，该类在纯 Python 中实现了备用生成器。该类提供了一种向后兼容的方法，可以从早期版本的 Python 中重现结果，该早期版本使用 Wichmann-Hill 算法作为核心生成器。请注意，不再建议使用此 Wichmann-Hill 生成器：按照现代标准，其周期太短，并且已知生成的序列未pass某些严格的随机性测试。有关修复这些缺陷的最新变体，请参见下面的参考。

在版本 2.3 中进行了更改：MersenneTwister 取代了 Wichmann-Hill 作为默认生成器。

random模块还提供SystemRandom类，该类使用系统函数os.urandom()从 os 提供的源中生成随机数。

Bookkeeping functions:

• random. seed(* a = None *)
  • 初始化随机数生成器的内部状态。

None或当前时间或 os 特定的随机性源(如果有)中没有自变量种子(有关可用性的详细信息，请参见os.urandom()函数)。

如果* a *不是None或int或long，则使用hash(a)代替。请注意，启用 PYTHONHASHSEED后，某些类型的哈希值是不确定的。

在版本 2.4 中进行了更改：以前未使用 os 资源。

• random. getstate ( )
  • 返回一个捕获生成器当前内部状态的对象。可以将此对象传递给setstate()以恢复状态。

2.1 版中的新Function。

在 2.6 版中进行了更改：Python 2.6 中产生的状态值无法加载到早期版本中。

• random. setstate(* state *)
  • • state *应该是从先前对getstate()的调用获得的，而setstate()将生成器的内部状态恢复为调用getstate()时的状态。

2.1 版中的新Function。

• random. jumpahead(* n *)
  • 将内部状态更改为不同于当前状态的状态，并且很可能远离当前状态。 * n *是一个非负整数，用于加扰当前状态向量。这在多线程程序中与Random类的多个实例一起使用时最有用：setstate()或seed()可用于强制所有实例进入相同的内部状态，然后jumpahead()可用于强制实例的状态分开。

2.1 版中的新Function。

在版本 2.3 中进行了更改：jumpahead(n)跳转到另一个可能被许多步分开的状态，而不是跳到特定状态，而是向前移动* n *。

• random. getrandbits(* k *)
  • 返回带有* k *个随机位的 python long int。 MersenneTwister 生成器提供了此方法，其他一些生成器也可以将其作为 API 的可选部分提供。可用时，getrandbits()使randrange()处理任意大范围。

2.4 版的新Function。

整数函数：

• random. randrange(停止)

• random. randrange(开始，停止 [，步骤])

  • 从range(start, stop, step)返回随机选择的元素。这等效于choice(range(start, stop, step))，但实际上并不构建范围对象。

版本 1.5.2 中的新Function。

• random. randint(* a ， b *)
  • 返回一个随机整数* N *，例如a <= N <= b。

序列函数：

• random. choice(* seq *)

  • 从非空序列* seq 返回一个随机元素。如果 seq *为空，则引发IndexError。

• random. shuffle(* x * [，* random *])

  • 将序列* x 洗到位。可选参数 random *是一个 0 参数的函数，返回\ [0.0, 1.0); by default, this is the function random()中的随机浮点数。

注意，即使是很小的len(x)，* x *的排列总数也比大多数随机数生成器的周期大；这意味着长序列的大多数排列永远不会生成。

• random. sample(人口，* k *)
  • 返回从填充序列中选择的唯一元素的* k *长度列表。用于随机抽样而无需更换。

2.3 版的新Function。

返回一个新列表，其中包含来自总体的元素，同时保留原始总体不变。结果列表按选择 Sequences 排列，因此所有子切片也将是有效的随机 samples。这样就可以将抽奖活动的获胜者(samples)划分为大奖和第二名的获胜者(子片段)。

人口成员不必为hashable或唯一。如果总体包含重复，则每次出现都是 samples 中的可能选择。

要从整数范围中选择 samples，请使用xrange()对象作为参数。这对于从大量人口sample(xrange(10000000), 60)进行采样特别快速且节省空间。

以下函数生成特定的实值分布。函数参数以分布方程式中的相应变量命名，如通常的 math 实践中所用；这些方程式中的大多数都可以在任何统计信息文本中找到。

• random. random ( )

  • 返回范围为[0.0，1.0)的下一个随机浮点数。

• random. uniform(* a ， b *)

  • 返回一个随机浮点数* N *，其中a <= N <= b表示a <= b，而b <= N <= a表示b < a。

根据公式a + (b-a) * random()中的浮点舍入，端点值b可以包含或可以不包含在范围内。

• random. triangular(低，高，模式)
  • 返回一个随机浮点数* N ，使low <= N <= high且在这些边界之间具有指定的 mode *。 * low 和 high *边界默认为零和一。 * mode *参数默认为边界之间的中点，给出对称分布。

2.6 版的新Function。

• random. betavariate(* alpha ， beta *)

  • Beta 发行版。参数的条件是alpha > 0和beta > 0。返回值的范围是 0 到 1.

• random. expovariate(* lambd *)

  • 指数分布。 * lambd 是 1.0 除以所需的均值。它应该不为零。 (该参数将称为“ lambda”，但在 Python 中是保留字.)如果 lambd 为正，则返回值的范围是从 0 到正无穷大；如果 lambd *为负，则返回值的范围是从负无穷大到 0.

• random. gammavariate(* alpha ， beta *)

  • 伽玛分布。 (不是伽马函数！)参数的条件为alpha > 0和beta > 0。

概率分布函数为：

x ** (alpha - 1) * math.exp(-x / beta)
pdf(x) =  --------------------------------------
            math.gamma(alpha) * beta ** alpha

• random. gauss(* mu ， sigma *)

  • 高斯分布。 * mu 是平均值， sigma *是标准偏差。这比下面定义的normalvariate()函数要快一些。

• random. lognormvariate(* mu ， sigma *)

  • 记录正态分布。如果采用此分布的自然对数，则将获得均值* mu 和标准偏差 sigma *的正态分布。 * mu 可以具有任何值，并且 sigma *必须大于零。

• random. normalvariate(* mu ， sigma *)

  • 正态分布。 * mu 是平均值， sigma *是标准偏差。

• random. vonmisesvariate(* mu ， kappa *)

  • • mu *是平均角度，以 0 到 2 * * pi 之间的弧度表示，而 kapp 是浓度参数，必须大于或等于零。如果 kappa *等于零，则此分布在 0 到 2 * * pi *的范围内减小为均匀的随机角度。

• random. paretovariate(* alpha *)

  • 帕累托分布。 * alpha *是 shape 参数。

• random. weibullvariate(* alpha ， beta *)

  • 威布尔分布。 * alpha 是比例参数， beta *是形状参数。

Alternative Generators:

• 类别 random. WichmannHill([种子])

  • 将 Wichmann-Hill 算法实现为核心生成器的类。具有与Random相同的所有方法以及以下所述的whseed()方法。因为此类是在纯 Python 中实现的，所以它不是线程安全的，并且可能在调用之间需要锁定。生成器的周期为 6,953,607,871,644，该周期足够小，需要小心确保两个独立的随机序列不重叠。

• random. whseed([* x *])

  • 它已过时，已提供与 2.1 之前的 Python 版本的位级兼容性。有关详情，请参见seed()。 whseed()不保证不同的整数参数会产生不同的内部状态，并且总共不能产生约 2 ** 24 个不同的内部状态。

• 类别 random. SystemRandom([种子])

  • 使用os.urandom()函数从 os 提供的源生成随机数的类。并非在所有系统上都可用。不依赖软件状态，序列不可重现。因此，seed()和jumpahead()方法无效，将被忽略。如果调用getstate()和setstate()方法会提高NotImplementedError。

2.4 版的新Function。

基本用法示例：

>>> random.random()        # Random float x, 0.0 <= x < 1.0
0.37444887175646646
>>> random.uniform(1, 10)  # Random float x, 1.0 <= x < 10.0
1.1800146073117523
>>> random.randint(1, 10)  # Integer from 1 to 10, endpoints included
7
>>> random.randrange(0, 101, 2)  # Even integer from 0 to 100
26
>>> random.choice('abcdefghij')  # Choose a random element
'c'

>>> items = [1, 2, 3, 4, 5, 6, 7]
>>> random.shuffle(items)
>>> items
[7, 3, 2, 5, 6, 4, 1]

>>> random.sample([1, 2, 3, 4, 5],  3)  # Choose 3 elements
[4, 1, 5]