这篇文章主要介绍了Python内置random模块生成随机数的方法,本文给大家介绍的非常详细，具有一定的参考借鉴价值，需要的朋友可以参考下
本文我们详细地介绍下两个模块关于生成随机序列的其他使用方法。
随机数参与的应用场景大家一定不会陌生，比如密码加盐时会在原密码上关联一串随机数，蒙特卡洛算法会通过随机数采样等等。Python内置的random模块提供了生成随机数的方法，使用这些方法时需要导入random模块。
import random
下面介绍下Python内置的random模块的几种生成随机数的方法。
1、random.random()随机生成 0 到 1 之间的浮点数[0.0, 1.0)。注意的是返回的随机数可能会是 0 但不可能为 1，即左闭右开的区间。
print("random: ", random.random())
#random: 0.5714025946899135
2、random.randint(a , b)随机生成 a 与 b 之间的整数[a, b]，a<=n<=b，随机整数不包含 b 时[a, b)可以使用 random.randrange() 方法。
print("randint: ", random.randint(6,8))
#randint: 8
3、random.randrange(start,stop,step)按步长step随机在上下限范围内取一个随机数，start<=n<stop。
print("randrange: ",random.randrange(20,100,5))
#randrange: 85
4、random.uniform(a, b)随机生成 a 与 b 之间的浮点数[a, b]，a<=n<=b。
print("uniform: ",random.uniform(5,10))
#uniform: 5.119790163375776
5、random.choice()从列表中随机取出一个元素，比如列表、元祖、字符串等。注意的是，该方法需要参数非空，否则会抛出 IndexError 的错误。
print("choice: ",random.choice("www.yuanxiao.net"))
#choice: y
6、random.shuffle(items) 把列表 items 中的元素随机打乱。注意的是，如果不想修改原来的列表，可以使用 copy 模块先拷贝一份原来的列表。
num = [1, 2, 3, 4, 5]
random.shuffle(num)
print("shuffle: ",num)
#shuffle: [1, 3, 5, 4, 2]
7、random.sample(items, n)从列表 items 中随机取出 n 个元素。
num = [1, 2, 3, 4, 5]
print("sample: ",random.sample(num, 3))
#sample: [4, 1, 5]
Python 的random模块产生的随机数其实是伪随机数，依赖于特殊算法和指定不确定因素(种子seed)来实现。如randint方法生成一定范围内的随机数，会先指定一个特定的seed，将seed通过特定的随机数产生算法，得到一定范围内随机分布的随机数。因此对于同一个seed值的输入产生的随机数会相同，省略参数则意味着使用当前系统时间秒数作为种子值，达到每次运行产生的随机数都不一样。
random.seed(2)
print("random: ", random.random())
#random: 0.9560342718892494
random.seed(3)
print("random: ", random.random())
#random: 0.23796462709189137
random.seed(3)#同一个种子值，产生的随机数相同
print("random: ", random.random())
#random: 0.23796462709189137
numpy库也提供了random模块，用于生成多维度数组形式的随机数。使用时需要导入numpy库。
import numpy as np
下面介绍下numpy库的random模块的几种生成随机数的方法。
1、numpy.random.rand(d0,d1,…,dn)
rand函数根据给定维度生成[0,1]之间的数据，包含0，不包含1
dn表格每个维度
返回值为指定维度的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]<br> [0.52184832 0.41466194]<br> [0.26455561 0.77423369]]]<br>"""
2、numpy.random.randn(d0,d1,…,dn)
randn函数返回一个或一组样本，具有标准正态分布。
dn表格每个维度
返回值为指定维度的array
标准正态分布—-standard normal distribution
标准正态分布又称为u分布，是以0为均值、以1为标准差的正态分布，记为N（0，1）。
print("np.random.randn：\n {}".format(np.random.randn()))
# 当没有参数时，返回单个数据
"""
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’)
返回随机整数，范围区间为[low,high），包含low，不包含high
参数：low为最小值，high为最大值，size为数组维度大小，dtype为数据类型，默认的数据类型是np.int
high没有填写时，默认生成随机数的范围是[0，low]
print("np.random.randint：\n {}".format(np.random.randint(1,size=5)))
# 返回[0,1)之间的整数，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个[1,5)时间的随机整数
"""
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：使得随机数据可预测。
当我们设置相同的seed，每次生成的随机数相同。如果不设置seed，则每次会生成不同的随机数
推荐我们的python学习基地，看前辈们是如何学习的！从基础的python脚本、爬虫、django、数据挖掘等编程技术，还有整理零基础到项目实战的资料，送给每一位爱学习python的小伙伴！每天都有老前辈定时讲解Python技术，分享一些学习的方法和需要留意的小细节，点击加入我们的 python学习者聚集地