Python random模块实用教程

Python random 模块实用教程

random 模块是 Python 标准库中用于生成伪随机数的模块，它提供了多种随机数生成和随机操作功能。虽然 NumPy 的随机模块功能更强大，但在不需要复杂数值计算或不想引入外部依赖时，内置的 random 模块仍然是一个非常方便的选择。

1. 模块概述

random 模块提供了以下主要功能：

• 各种分布的随机数生成
• 随机序列操作
• 随机种子设置

2. 基本随机数生成

2.1 基本随机函数

import random

# 生成 [0.0, 1.0) 之间的随机浮点数
print(random.random())  # 例如 0.5488135039273248

# 生成 [a, b] 之间的随机浮点数
print(random.uniform(1.5, 3.5))  # 例如 2.7830182145213975

# 生成 [a, b] 之间的随机整数
print(random.randint(1, 10))  # 例如 7

# 从序列中随机选择一个元素
print(random.choice(['apple', 'banana', 'orange']))  # 例如 'banana'

# 从序列中随机选择多个不重复元素
print(random.sample(range(100), 5))  # 例如 [82, 16, 4, 21, 89]

2.2 随机种子

伪随机数生成器可以通过设置种子来重现随机序列：

random.seed(42)  # 设置随机种子
print(random.random())  # 总是 0.6394267984578837
print(random.random())  # 总是 0.025010755222666936

random.seed(42)  # 重置相同的种子
print(random.random())  # 再次得到 0.6394267984578837

3. 各种分布的随机数生成

random 模块支持多种概率分布的随机数生成。

3.1 均匀分布

# [a, b) 之间的均匀分布浮点数
print(random.uniform(2.5, 5.5))

3.2 正态分布（高斯分布）

# 正态分布，参数为 mu(均值) 和 sigma(标准差)
print(random.gauss(0, 1))  # 标准正态分布

# 另一种正态分布函数
print(random.normalvariate(0, 1))

3.3 指数分布

# 指数分布，参数 lambda(速率参数)
print(random.expovariate(1.5))

3.4 其他分布

# 三角分布
print(random.triangular(low=1.0, high=5.0, mode=3.0))

# 对数正态分布
print(random.lognormvariate(mu=0.0, sigma=1.0))

# 冯·米塞斯分布（圆形正态分布）
print(random.vonmisesvariate(mu=0.0, kappa=1.0))

# 伽马分布
print(random.gammavariate(alpha=2.0, beta=1.0))

# 帕累托分布
print(random.paretovariate(alpha=1.0))

# 韦伯分布
print(random.weibullvariate(alpha=1.0, beta=1.0))

4. 序列随机操作

4.1 打乱序列顺序

items = [1, 2, 3, 4, 5, 6, 7]
random.shuffle(items)  # 原地打乱
print(items)  # 例如 [3, 1, 7, 2, 5, 6, 4]

4.2 加权随机选择

# 根据权重随机选择
population = ['red', 'green', 'blue']
weights = [0.6, 0.3, 0.1]
print(random.choices(population, weights, k=5))
# 例如 ['red', 'red', 'green', 'red', 'red']

# 累积权重版本
cum_weights = [0.6, 0.9, 1.0]
print(random.choices(population, cum_weights=cum_weights, k=5))

5. 实用随机函数

5.1 生成随机字节

# 生成指定长度的随机字节串
print(random.randbytes(4))  # 例如 b'\x9d\x9f\x7f\xef'

5.2 生成随机布尔值

# 以给定概率返回True
print(random.random() < 0.7)  # 70%概率为True

# 更简洁的写法
print(random.choices([True, False], weights=[0.7, 0.3])[0])

6. 应用案例

6.1 验证码生成器

import random
import string

def generate_captcha(length=6):
    # 混合字母和数字
    chars = string.ascii_letters + string.digits
    # 排除容易混淆的字符
    confusing = {'0', 'O', 'o', '1', 'I', 'l'}
    chars = [c for c in chars if c not in confusing]
    return ''.join(random.choices(chars, k=length))

print(generate_captcha(8))  # 例如 'X3hK9pY2'

6.2 随机密码生成器

import random
import string

def generate_password(length=12):
    # 确保包含各类字符
    lower = random.choice(string.ascii_lowercase)
    upper = random.choice(string.ascii_uppercase)
    digit = random.choice(string.digits)
    punct = random.choice(string.punctuation)
    
    # 剩余字符
    remaining = length - 4
    chars = string.ascii_letters + string.digits + string.punctuation
    others = random.choices(chars, k=remaining)
    
    # 组合并打乱
    password = list(lower + upper + digit + punct + ''.join(others))
    random.shuffle(password)
    return ''.join(password)

print(generate_password())  # 例如 'sD7@kL9#qP2!'

6.3 蒙特卡洛模拟估算π

import random

def estimate_pi(n=1000000):
    inside = 0
    for _ in range(n):
        x, y = random.random(), random.random()
        if x**2 + y**2 <= 1:
            inside += 1
    return 4 * inside / n

print(estimate_pi())  # 例如 3.141592

7. 性能优化

7.1 批量生成随机数

# 低效方式
numbers = []
for _ in range(10000):
    numbers.append(random.random())

# 高效方式 - 使用列表推导式仍然比循环快
numbers = [random.random() for _ in range(10000)]

# 对于大量随机数，考虑使用NumPy
# import numpy as np
# numbers = np.random.random(10000)

7.2 避免频繁种子设置

# 不推荐 - 频繁设置种子会破坏随机性
for i in range(10):
    random.seed(42)
    print(random.random())

# 推荐 - 只设置一次种子
random.seed(42)
for i in range(10):
    print(random.random())

8. 注意事项

random 模块生成的是伪随机数，不适合安全或加密用途：

# 不适用于安全场景
import random
print(''.join(random.choices('0123456789', k=6)))  # 可预测

# 安全场景应使用secrets模块
import secrets
print(''.join(secrets.choice('0123456789') for _ in range(6)))  # 安全随机

9. 与 NumPy 的 random 模块比较

特性	Python random	NumPy random
基本随机数	支持	支持
多种概率分布	有限支持	更全面支持
向量化操作	不支持	支持
性能	一般	更高
依赖	内置模块	需要安装NumPy
随机种子管理	简单	更复杂

10. 总结

Python 内置的 random 模块虽然功能上不如 NumPy 的随机模块强大，但在许多场景下仍然非常有用：

1. 轻量级应用：当不需要复杂数值计算时
2. 快速原型开发：简单快速地实现随机功能
3. 学习目的：学习随机数生成和概率分布的基础知识
4. 避免依赖：当不希望引入外部依赖时

记住：

• 对于简单的随机需求，random 模块完全够用
• 对于科学计算或大规模随机数生成，考虑使用 NumPy
• 对于安全相关应用，使用 secrets 模块

通过合理使用 random 模块，可以在不增加项目复杂度的前提下，实现大多数常见的随机功能需求。

---