您现在的位置是：首页 > 技术教程 正文

Python中random函数用法整理

admin 阅读： 2024-03-19
后台-插件-广告管理-内容页头部广告（手机）

目录

1. random.random(): 返回随机生成的一个浮点数，范围在[0,1)之间

2. random.uniform(a, b): 返回随机生成的一个浮点数，范围在[a, b)之间

3. random.randint(a,b)：生成指定范围内的整数 

4. random.randrange([start],stop[,step])：用于从指定范围内按指定基数递增的集合中获取一个随机数。 

5. random.choice()：从指定的序列中获取一个随机元素

6. random.shuffle(x[,random])：用于将一个列表中的元素打乱，随机排序

7. random.sample(sequence,k)：用于从指定序列中随机获取指定长度的片段，sample()函数不会修改原有序列。

8. np.random.rand(d0, d1, …, dn): 返回一个或一组浮点数，范围在[0, 1)之间

9. np.random.normal(loc=a, scale=b, size=()): 返回满足条件为均值=a, 标准差=b的正态分布（高斯分布）的概率密度随机数

10 np.random.randn(d0, d1, … dn): 返回标准正态分布(均值=0，标准差=1)的概率密度随机数

11. np.random.standard_normal(size=()): 返回标准正态分布(均值=0，标准差=1)的概率密度随机数

12. np.random.randint(a, b, size=(), dtype=int): 返回在范围在[a, b)中的随机整数（含有重复值）

13. random.seed(): 设定随机种子

首先我们需要导入random模块 

1. random.random(): 返回随机生成的一个浮点数，范围在[0,1)之间

  1. import random
  2. print(random.random())

2. random.uniform(a, b): 返回随机生成的一个浮点数，范围在[a, b)之间

  1. import random
  2. print(random.uniform(1,5))

3. random.randint(a,b)：生成指定范围内的整数 

  1. import random
  2. print(random.randint(1,10))

4. random.randrange([start],stop[,step])：用于从指定范围内按指定基数递增的集合中获取一个随机数。 

例如random.randrange(10,100,2)，结果相当于从 [10,12,14,16...96,98] 序列中获取一个随机数。random.randrange (10,100,2) 的结果上与 random.choice(range(10,100,2)) 等效。

  1. import random
  2. print(random.randrange(10,22,3))

5. random.choice()：从指定的序列中获取一个随机元素

random.choice()从序列中获取一个随机元素，其原型为random.choice(sequence)，参数sequence表示一个有序类型。这里说明一下，sequence在Python中不是一种特定的类型，而是泛指序列数据结构。列表，元组，字符串都属于sequence。

  1. import random
  2. print(random.choice('学习python')) # 从字符串中随机取一个字符
  3. print(random.choice(['good', 'hello', 'is', 'hi', 'boy'])) # 从list列表中随机取
  4. print(random.choice(('str', 'tuple', 'list'))) # 从tuple元组中随机取

6. random.shuffle(x[,random])：用于将一个列表中的元素打乱，随机排序

  1. import random
  2. p=['hehe','xixi','heihei','haha','zhizhi','lala','momo..da']
  3. random.shuffle(p)
  4. print(p)
  5. x = [1, 2, 3, 4, 5]
  6. random.shuffle(x)
  7. print(x)

7. random.sample(sequence,k)：用于从指定序列中随机获取指定长度的片段，sample()函数不会修改原有序列。

  1. import random
  2. list1=[1,2,3,4,5,6,7,8,9,10]
  3. slice=random.sample(list1,5)
  4. print(slice)
  5. #[8, 3, 5, 9, 10]
  6. print(list1)
  7. #[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
  8. x = random.sample(range(0, 10), 5)
  9. print(x, type(x))
  10. #[9, 2, 7, 8, 6]
  11. Words = "AppleKMedoide"
  12. print(random.sample(Words, 3))
  13. #['p', 'M', 'A']
  14. print(random.sample(Words, 3))
  15. #['d', 'i', 'l']

下面的函数需要调用numpy库 

8. np.random.rand(d0, d1, …, dn): 返回一个或一组浮点数，范围在[0, 1)之间

  1. import random
  2. import numpy as np
  3. x = np.random.rand()
  4. y = np.random.rand(4)
  5. print(x,type(x))
  6. #0.09842641570445387
  7. print(y,type(y))
  8. #[0.27298291 0.12350038 0.63977128 0.90791234]

9. np.random.normal(loc=a, scale=b, size=()): 返回满足条件为均值=a, 标准差=b的正态分布（高斯分布）的概率密度随机数

np.random.normal(loc=a, scale=b, size=()) - 返回满足条件为均值=a, 标准差=b的正态分布（高斯分布）的概率密度随机数，size默认为None(返回1个随机数），也可以为int或数组

  1. import random
  2. import numpy as np
  3. x = np.random.normal(10,0.2,2)
  4. print(x,type(x))
  5. #[9.78391585 9.83981096]
  6. y = np.random.normal(10,0.2)
  7. print(y,type(y))
  8. #9.871187751372984
  9. z = np.random.normal(0,0.1,(2,3))
  10. print(z,type(z))
  11. #[[-0.07114831 -0.10258022 -0.12686863]
  12. # [-0.08988384 -0.00647591 0.06990716]]
  13. z = np.random.normal(0,0.1,[2,2])
  14. print(z,type(z))
  15. #[[ 0.07178268 -0.00226728]
  16. # [ 0.06585013 -0.04385656]]

10 np.random.randn(d0, d1, … dn): 返回标准正态分布(均值=0，标准差=1)的概率密度随机数

np.random.randn(d0, d1, ... dn): 返回标准正态分布(均值=0，标准差=1)的概率密度随机数,

  1. import random
  2. import numpy as np
  3. x = np.random.randn()
  4. y = np.random.randn(3)
  5. z = np.random.randn(3, 3)
  6. print(x, type(x))
  7. print(y, type(y))
  8. print(z, type(z))

11. np.random.standard_normal(size=()): 返回标准正态分布(均值=0，标准差=1)的概率密度随机数

np.random.standard_normal(): 返回标准正态分布(均值=0，标准差=1)的概率密度随机数, size默认为None(返回1个随机数），也可以为int或数组

  1. import random
  2. import numpy as np
  3. x = np.random.standard_normal()
  4. y = np.random.standard_normal(size=(3,3))
  5. print(x, type(x))
  6. print(y, type(y))

np.random.rand()与np.random.standard_normal()的方法结果相似，都是返回合符标准正态分布的随机浮点数或数组。

12. np.random.randint(a, b, size=(), dtype=int): 返回在范围在[a, b)中的随机整数（含有重复值）

np.random.randint(a, b, sizie=(), dytpe=int) - size默认为None(返回1个随机数），也可以为int或数组

  1. import random
  2. import numpy as np
  3. # 从序列[0, 10)之间返回shape=(5,5)的10个随机整数（包含重复值）
  4. x = np.random.randint(0, 10, size=(5, 5))
  5. # 从序列[15, 20)之间返回1个随机整数（size默认为None, 则返回1个随机整数）
  6. y = np.random.randint(15, 20)
  7. print(x, type(x))
  8. print(y, type(y))

13. random.seed(): 设定随机种子

在设定随机种子为10之后，random.random()的随机数将被直接设定为：0.5714025946899135

  1. import random
  2. random.seed(10)
  3. x = random.random()
  4. print(x,type(x))
  5. random.seed(10)
  6. y = random.random()
  7. print(y,type(y))
  8. z = random.random()
  9. print(z,type(z))

random随机数是这样生成的：我们将这套复杂的算法（是叫随机数生成器吧）看成一个黑盒，把我们准备好的种子扔进去，它会返给你两个东西，一个是你想要的随机数，另一个是保证能生成下一个随机数的新的种子，把新的种子放进黑盒，又得到一个新的随机数和一个新的种子，从此在生成随机数的路上越走越远。

我们利用如下代码进行测试：

  1. import numpy as np
  2. if __name__ == '__main__':
  3. i = 0
  4. while i < 6:
  5. if i < 3:
  6. np.random.seed(0)
  7. print(np.random.randn(1, 5))
  8. else:
  9. print(np.random.randn(1, 5))
  10. i += 1
  11. i = 0
  12. while i < 2:
  13. print(np.random.randn(1, 5))
  14. i += 1
  15. print(np.random.randn(2, 5))
  16. np.random.seed(0)
  17. print("###################################")
  18. i = 0
  19. while i < 8:
  20. print(np.random.randn(1,5))
  21. i += 1

 

通过该实验我们可以得到以下结论：

  • 两次利用随机数种子后，即便是跳出循环后，生成随机数的结果依然是相同的。第一次跳出while循环后，进入第二个while循环，得到的两个随机数组确实和加了随机数种子不一样。但是，后面的加了随机数种子的，八次循环中的结果和前面的结果是一样的。说明，随机数种子对后面的结果一直有影响。同时，加了随机数种子以后，后面的随机数组都是按一定的顺序生成的。
  • 在同样的随机种子后第六次的随机数生成结果，两行五列的数组和两个一行五列的数组结果相同。说明，在生成多行随机数组时，是由单行随机数组组合而成的。
  • 利用随机数种子，每次生成的随机数相同，就是使后面的随机数按一定的顺序生成。当随机数种子参数为0和1时，生成的随机数和我上面高亮的结果相同。说明该参数指定了一个随机数生成的起始位置。每个参数对应一个位置。并且在该参数确定后，其后面的随机数的生成顺序也就确定了。
  • 随机数种子的参数怎么选择？我认为随意，这个参数只是确定一下随机数的起始位置。

 

本文综合参考了如下文章整理： 

python中的random用法_山深✨的博客-CSDN博客_python中random的用法icon-default.png?t=M4ADhttps://blog.csdn.net/shoushou_/article/details/119652905?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165352582116781685333907%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=165352582116781685333907&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-2-119652905-null-null.142^v10^pc_search_result_control_group,157^v12^control&utm_term=python+random&spm=1018.2226.3001.4187python random函数_PandaDou的博客-CSDN博客_python random函数icon-default.png?t=M4ADhttps://blog.csdn.net/m0_37822685/article/details/80363530?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-80363530-blog-119652905.pc_relevant_paycolumn_v3&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1-80363530-blog-119652905.pc_relevant_paycolumn_v3&utm_relevant_index=1python常用random随机函数汇总，用法详解及函数之间的区别--一图了解python随机函数_若芷兰的博客-CSDN博客_python随机函数icon-default.png?t=M4ADhttps://blog.csdn.net/weixin_45914452/article/details/115264053?spm=1001.2101.3001.6661.1&utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1-115264053-blog-110164241.pc_relevant_default&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1-115264053-blog-110164241.pc_relevant_default&utm_relevant_index=1随机种子的理解_一个新新的小白的博客-CSDN博客_随机种子icon-default.png?t=M4ADhttps://blog.csdn.net/qq_31511955/article/details/110424334

标签:
声明

1.本站遵循行业规范，任何转载的稿件都会明确标注作者和来源；2.本站的原创文章，请转载时务必注明文章作者和来源，不尊重原创的行为我们将追究责任；3.作者投稿可能会经我们编辑修改或补充。

在线投稿：投稿 站长QQ：1888636

后台-插件-广告管理-内容页尾部广告（手机）
相关文章
关注我们

扫一扫关注我们，了解最新精彩内容

搜索
排行榜
最近发表
标签列表