Python內(nèi)置random模塊生成隨機數(shù)的方法
本文我們詳細地介紹下兩個模塊關(guān)于生成隨機序列的其他使用方法。
隨機數(shù)參與的應用場景大家一定不會陌生，比如密碼加鹽時會在原密碼上關(guān)聯(lián)一串隨機數(shù)，蒙特卡洛算法會通過隨機數(shù)采樣等等。Python內(nèi)置的random模塊提供了生成隨機數(shù)的方法，使用這些方法時需要導入random模塊。
import random
下面介紹下Python內(nèi)置的random模塊的幾種生成隨機數(shù)的方法。
1、random.random()隨機生成 0 到 1 之間的浮點數(shù)[0.0, 1.0)。注意的是返回的隨機數(shù)可能會是 0 但不可能為 1，即左閉右開的區(qū)間。
print("random: ", random.random())
#random: 0.5714025946899135
2、random.randint(a , b)隨機生成 a 與 b 之間的整數(shù)[a, b]，a<=n<=b，隨機整數(shù)不包含 b 時[a, b)可以使用 random.randrange() 方法。
print("randint: ", random.randint(6,8))
#randint: 8
3、random.randrange(start,stop,step)按步長step隨機在上下限范圍內(nèi)取一個隨機數(shù)，start<=n<stop。
print("randrange: ",random.randrange(20,100,5))
#randrange: 85
4、random.uniform(a, b)隨機生成 a 與 b 之間的浮點數(shù)[a, b]，a<=n<=b。
print("uniform: ",random.uniform(5,10))
#uniform: 5.119790163375776
5、random.choice()從列表中隨機取出一個元素，比如列表、元祖、字符串等。注意的是，該方法需要參數(shù)非空，否則會拋出 IndexError 的錯誤。
print("choice: ",random.choice("www.yuanxiao.net"))
#choice: y
6、random.shuffle(items) 把列表 items 中的元素隨機打亂。注意的是，如果不想修改原來的列表，可以使用 copy 模塊先拷貝一份原來的列表。
num = [1, 2, 3, 4, 5]
random.shuffle(num)
print("shuffle: ",num)
#shuffle: [1, 3, 5, 4, 2]
7、random.sample(items, n)從列表 items 中隨機取出 n 個元素。
num = [1, 2, 3, 4, 5]
print("sample: ",random.sample(num, 3))
#sample: [4, 1, 5]
Python 的random模塊產(chǎn)生的隨機數(shù)其實是偽隨機數(shù)，依賴于特殊算法和指定不確定因素(種子seed)來實現(xiàn)。如randint方法生成一定范圍內(nèi)的隨機數(shù)，會先指定一個特定的seed，將seed通過特定的隨機數(shù)產(chǎn)生算法，得到一定范圍內(nèi)隨機分布的隨機數(shù)。因此對于同一個seed值的輸入產(chǎn)生的隨機數(shù)會相同，省略參數(shù)則意味著使用當前系統(tǒng)時間秒數(shù)作為種子值，達到每次運行產(chǎn)生的隨機數(shù)都不一樣。
random.seed(2)
print("random: ", random.random())
#random: 0.9560342718892494
random.seed(3)
print("random: ", random.random())
#random: 0.23796462709189137
random.seed(3)#同一個種子值，產(chǎn)生的隨機數(shù)相同
print("random: ", random.random())
#random: 0.23796462709189137
numpy庫也提供了random模塊，用于生成多維度數(shù)組形式的隨機數(shù)。使用時需要導入numpy庫。
import numpy as np
下面介紹下numpy庫的random模塊的幾種生成隨機數(shù)的方法。
1、numpy.random.rand(d0,d1,…,dn)
- rand函數(shù)根據(jù)給定維度生成[0,1]之間的數(shù)據(jù)，包含0，不包含1
- dn表格每個維度
返回值為指定維度的array
print("np.random.rand：\n {}".format(np.random.rand(4,2)))
# shape: 4*3
"""
np.random.rand：
[[0.5488135 0.71518937]
[0.60276338 0.54488318]
[0.4236548 0.64589411]
[0.43758721 0.891773 ]]
"""
print("np.random.rand：\n {}".format(np.random.rand(4,3,2)))
# shape: 4*3*2
"""
np.random.rand：
[[[0.96366276 0.38344152]
[0.79172504 0.52889492]
[0.56804456 0.92559664]]
[[0.07103606 0.0871293 ]
[0.0202184 0.83261985]
[0.77815675 0.87001215]]
[[0.97861834 0.79915856]
[0.46147936 0.78052918]
[0.11827443 0.63992102]]
[[0.14335329 0.94466892]
[0.52184832 0.41466194]
[0.26455561 0.77423369]]]
"""
2、numpy.random.randn(d0,d1,…,dn)
- randn函數(shù)返回一個或一組樣本，具有標準正態(tài)分布。
- dn表格每個維度
- 返回值為指定維度的array
標準正態(tài)分布—-standard normal distribution
標準正態(tài)分布又稱為u分布，是以0為均值、以1為標準差的正態(tài)分布，記為N（0，1）。
print("np.random.randn：\n {}".format(np.random.randn()))
# 當沒有參數(shù)時，返回單個數(shù)據(jù)
"""
np.random.randn：
2.2697546239876076
"""
print("np.random.randn：\n {}".format(np.random.randn(2,4)))
"""
np.random.randn：
[[-1.45436567 0.04575852 -0.18718385 1.53277921]
[ 1.46935877 0.15494743 0.37816252 -0.88778575]]
"""
print("np.random.randn：\n {}".format(np.random.randn(4,3,2)))
"""
np.random.randn：
[[[-1.98079647 -0.34791215]
[ 0.15634897 1.23029068]
[ 1.20237985 -0.38732682]]
[[-0.30230275 -1.04855297]
[-1.42001794 -1.70627019]
[ 1.9507754 -0.50965218]]
[[-0.4380743 -1.25279536]
[ 0.77749036 -1.61389785]
[-0.21274028 -0.89546656]]
[[ 0.3869025 -0.51080514]
[-1.18063218 -0.02818223]
[ 0.42833187 0.06651722]]]
"""
3、numpy.random.randint(low, high=None, size=None, dtype='l')
返回隨機整數(shù)，范圍區(qū)間為[low,high），包含low，不包含high
參數(shù)：low為最小值，high為最大值，size為數(shù)組維度大小，dtype為數(shù)據(jù)類型，默認的數(shù)據(jù)類型是np.int
high沒有填寫時，默認生成隨機數(shù)的范圍是[0，low]
print("np.random.randint：\n {}".format(np.random.randint(1,size=5)))
# 返回[0,1)之間的整數(shù)，所以只有0
"""
np.random.randint：
[0 0 0 0 0]
"""
print("np.random.randint：\n {}".format(np.random.randint(1,5)))# 返回1個[1,5)時間的隨機整數(shù)
"""
np.random.randint：
2
"""
print("np.random.randint：\n {}".format(np.random.randint(-5,5,size=(2,2))))
"""
np.random.randint：
[[-5 -3]
[ 2 -3]]
"""
4、numpy.random.seed()
np.random.seed()的作用：使得隨機數(shù)據(jù)可預測。
當我們設置相同的seed，每次生成的隨機數(shù)相同。如果不設置seed，則每次會生成不同的隨機數(shù)
總結(jié)
以上所述是小編給大家介紹的Python內(nèi)置random模塊生成隨機數(shù)的方法,希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持！
如果你覺得本文對你有幫助，歡迎轉(zhuǎn)載，煩請注明出處，謝謝！
相關(guān)文章
這篇文章主要介紹了如何通過十行代碼實現(xiàn)視頻倒放神器，輕松實現(xiàn)視頻倒放功能。文中的示例代碼簡潔易懂，對我們學習Python有一定幫助，需要的可以參考一下2022-02-02
從物理學的機制出發(fā)，波動模型相對于光線模型，顯然更加接近光的本質(zhì)；但是從物理學的發(fā)展來說，波動光學旨在解決幾何光學無法解決的問題，可謂光線模型的一種升級2021-10-10
這篇文章主要為大家詳細介紹了Python3多線程版TCP端口掃描器，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-08-08
這篇文章主要介紹了Python使用Requests請求網(wǎng)頁方式，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2023-03-03
本文主要講訴了在Linux，Windows，MacOS三大系統(tǒng)中如何安裝Python環(huán)境，非常的實用，雖然前面絮絮叨叨的說了不少題外話，但都是作者的肺腑之言，還是仔細看看吧2014-09-09
今天小編就為大家分享一篇對python捕獲ctrl+c手工中斷程序的兩種方法詳解，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-12-12
Python調(diào)用JavaScript代碼的幾種方法小結(jié)
日常Web端爬蟲過程中,經(jīng)常會遇到參數(shù)被加密的場景,因此,我們需要分析網(wǎng)頁源代碼通過調(diào)式,一層層剝離出關(guān)鍵的JS代碼,使用Python去執(zhí)行這段代碼,本文將聊聊利用 Python 調(diào)用 JS 的4種方式,需要的朋友可以參考下2024-12-12
Python機器學習庫之Scikit-learn基本用法詳解
Scikit-learn?是?Python?中最著名的機器學習庫之一，它提供了大量實用的機器學習算法以及相關(guān)的工具，可以方便我們進行數(shù)據(jù)挖掘和數(shù)據(jù)分析，在這篇文章中，我們將介紹?Scikit-learn?的基本使用，包括如何導入數(shù)據(jù)、預處理數(shù)據(jù)、選擇和訓練模型，以及評估模型的性能2023-07-07
文章探討了TensorFlow、PyTorch和Keras等流行的深度學習框架,以及Scikit-learn等用于機器學習的庫,文章還舉例說明了AI在自然語言處理、圖像識別、語音識別和推薦系統(tǒng)等領域的實際應用場景,并介紹了如何使用Python調(diào)用AI大模型的接口2025-02-02
Python程序打包工具py2exe和PyInstaller詳解
這篇文章主要介紹了Python程序打包工具py2exe和PyInstaller詳解,如果可以提前將程序打包成 Windows平臺的 .exe 文件或者是Linux下的 .sh 腳本，那么使用起來就會方便很多,需要的朋友可以參考下2019-06-06