python random模块常用函数基础教程
作者：安迪Python
1. random 模块概述
random [ˈrændəm]：自由。
random 是Python的内置模块，直接import导入即可使用，不需要安装。
【模块导入语法】
import random
【random模块的作用】
random 提供了许多函数，可以生成不同类型的随机数。如整数、浮点数、随机序列等。
通常用于生成随机字符串、洗牌、抽样等操作。
random 模块的使用非常广泛，可以用于模拟、游戏、密码学等领域。
随机的意思可以理解成每次运行得到的结果都是不一样的。
2. 调用模块的函数的语法
【调用语法】
模块名.函数名()，如 os.mkdir()
os是模块名。模块名和函数名之间有一个英文小圆点
.。mkdir是函数名。
3. 什么是序列
序列是指一组有序的元素，这些元素可以是数字、字符、对象等。
序列中的每个元素都有一个唯一的位置，称为索引。
序列可以是可变的或不可变的，可变序列可以修改其中的元素，而不可变序列则不能。
序列可以通过索引和切片来访问其中的元素，也可以通过循环遍历序列中的元素。
以下数据类型均属于序列：
字符串（str）
列表（list）
元组（tuple）
集合（set）
字典（dict）
字节数组（bytearray）
字节数组（bytes）
其中，字符串、列表和元组是最常用的序列类型。
序列是Python中最基本的数据结构之一，它们可以存储多个值，并且可以通过索引访问这些值。
3.1 字节数组（bytearray）
字节数组（bytearray）是Python中的一种数据类型，它是一个可变的序列，由一系列的字节组成。
每个字节都是一个8位的二进制数，可以表示0-255之间的整数。
字节数组可以通过索引访问和修改其中的元素，也可以进行切片操作。
字节数组常用于处理二进制数据，如图像、音频、视频等文件的读写操作。
3.2 字节数组（bytes）
字节数组（bytes）是一种数据类型，它表示一个由字节（8位二进制数）组成的序列。
字节数组可以用来存储二进制数据，例如图像、音频、视频等文件。
字节数组在Python中是不可变的，这意味着一旦创建，就不能修改其中的元素。
可以使用索引来访问字节数组中的元素，每个元素都是一个整数，范围从0到255。
3.3 字节数组（bytearray）和字节数组（bytes）是什么的区别
可变性：bytearray是可变的，而bytes是不可变的。这意味着可以修改bytearray中的元素，但不能修改bytes中的元素。
内存占用：bytearray比bytes占用更多的内存，因为bytearray需要额外的内存来存储其可变性。
支持的操作：由于bytearray是可变的，它支持更多的操作，如添加、删除和修改元素。而bytes只支持不可变的操作，如索引和切片。
用途：bytearray通常用于需要修改二进制数据的情况，如网络编程和加密。而bytes通常用于不需要修改的情况，如文件读取和传输数据。
4. random.betavariate()-返回一个0到1之间的随机数
beta [ˈbiːtə]：希腊字母表中第二个字母，β。
variate[ˈvɛːrɪət]：变量。
betavariate：β变量。
【作用】
random.betavariate()用于生成一个服从Beta分布的随机数。
【语法】
import random random.betavariate(alpha, beta)
【参数说明】
alpha：Beta分布的第一个参数，必须大于0。
beta：Beta分布的第二个参数，必须大于0。
alpha[ˈælfə]：希腊字母表中第一个字母，α。
beta [ˈbiːtə]：希腊字母表中第二个字母，β。
【返回值】
返回一个服从Beta分布的随机数。
【代码示例】
# 导入random库 import random x = random.betavariate(2, 5) print(x)
【终端输出】
random.choice(sequence)
调用模块的函数语法：模块名.函数名()。
【代码解析】
random是模块名。
模块名和函数名之间有个英文小圆点
.。betavariate是函数名。
alpha=2
beta=5
上述代码中，alpha=2，beta=5，生成的随机数x服从Beta(2, 5)分布。
5. 什么是Beta分布
Beta分布是一种概率分布，常用于描述随机变量在0到1之间的取值情况。
它的概率密度函数形式为：
其中， 是随机变量的取值， 和 是分布的两个参数， 是Beta函数，用于归一化概率密度函数。
Beta分布的形状由参数 和 控制，当 时，Beta分布退化为均匀分布。
当 和 时，Beta分布呈现出“钟形曲线”的形状，且分布的峰值在 处。
Beta分布在统计学中有广泛的应用，例如用于描述概率、比例、概率密度等。
【备注】
上述内容是百度粘贴复制过来的。
具体这个beta分布有什么用我也不明白。
6. random.random()-返回一个0.0到1.0之间的随机浮点数
random [ˈrændəm]：自由。
【作用】
random 模块的 random 函数是一个随机浮点数生成函数。
【语法】
random.random()
【参数说明】
该函数不需要传入任何参数。
【返回值】
返回一个0.0到1.0之间的随机浮点数。
【代码示例】
import random x = random.random() print(x)
【终端输出】
0.6746022416797438
7. random.random()和random.betavariate(2,5)的区别
random.random()用于生成一个0到1之间的随机浮点数，每次调用该函数都会生成一个新的随机数。
random.betavariate(2,5)是random模块中的函数，用于生成一个符合Beta分布的随机数。
其中参数2和5分别表示Beta分布的两个参数alpha和beta。
每次调用该函数都会生成一个新的随机数，但是生成的随机数不是均匀分布的，而是符合Beta分布的。
【小结】
random是彻底的随机选取一个数。
betavariate每次返回的数虽然不一样，但是它返回的数符合Beta分布。
8. random.choice()-从非空序列中返回一个随机元素
choice[tʃɔɪs]：选择。
【作用】
random.choice()用于从一个序列中随机选择一个元素并返回。
【语法】
random.choice(sequence)
【参数说明】
sequence[ˈsiːkwəns]：序列。
表示要从sequence中选择元素，sequence可以是列表、元组、字符串等序列。
【返回值】
返回序列中随机选择的一个元素。
8.1 从列表中随机选择一个元素
import random my_list = [1, 2, 3, 4, 5] print(random.choice(my_list))
【终端输出】
2
8.2 从元组中随机选择一个元素
import random
my_tuple = ('a', 'b', 'c', 'd', 'e')
print(random.choice(my_tuple))【终端输出】
c
8.3 从字符串中随机选择一个字符
import random my_str = '安迪python学习笔记' print(random.choice(my_str))
【终端输出】
笔
8.4 从字典中随机选择一个元素
【选择一个键】
import random
my_dict = {"a": 1, "b": 2, "c": 3}
random_key = random.choice(list(my_dict.keys()))
print(random_key)【终端输出】
b
【选择一个值】
import random
my_dict = {"a": 1, "b": 2, "c": 3}
random_value = random.choice(list(my_dict.values()))
print(random_value)【终端输出】
1
【温馨提示】
字典是无序的。
因此不能直接使用random.choice()函数从字典中随机选择一个键或值。
需要先将字典的键转换为列表，然后再使用random.choice()函数。
9. 字典知识回顾
【定义】
字典是一种无序的键值对集合，用花括号 {} 来表示
键和值之间用冒号 : 分隔。
每个键值对之间用逗号 , 分隔。
键必须是唯一的，但值可以不唯一。
【语法】
my_dict = {key1: value1, key2: value2, key3: value3, ...}key1、key2、key3 等是字典的键。
value1、value2、value3 等是字典的值。
【字典操作】
取出所有键，并转换成列表：
list(dict.keys())，返回一个包含字典中所有键的列表。取出一个键，用列表索引方式取出一个键，
list(my_dict.keys())[0]。取值：
dict[key]。
9.1 取出字典的所有键
my_dict = {'a': 1, 'b': 2, 'c': 3}
keys = my_dict.keys()
print(keys) 【终端输出】
dict_keys(['a', 'b', 'c'])
my_dict.keys()是一个Python字典（dictionary）方法，用于返回字典中所有键（key）的列表。
具体来说，它返回一个可迭代的视图对象，其中包含字典中所有键的列表。
my_dict是要获取值的字典对象。
keys表示要返回包含所有键的列表。
keys()方法返回的是一个特殊的dict_keys对象，而不是普通的列表。
如果需要将其转换为列表，可以使用list()函数。
my_dict = {'a': 1, 'b': 2, 'c': 3}
keys = list(my_dict.keys())
print(keys) 【终端输出】
['a', 'b', 'c']
9.2 取出字典的一个键
用列表[索引]的方式从列表中取出一个元素，取到的就是列表的一个键。
my_dict = {'a': 1, 'b': 2, 'c': 3}
keys = list(my_dict.keys())[0]
print(keys)
【终端输出】
a
9.3 取出字典的所有值
my_dict = {'a': 1, 'b': 2, 'c': 3}
values = my_dict.values()
print(values)
【终端输出】
dict_values([1, 2, 3])
my_dict是要获取值的字典对象。
values表示要返回包含所有值的列表。
values()方法返回的是一个特殊的dict_values对象，而不是普通的列表。
如果需要将其转换为列表，可以使用list()函数。
my_dict = {'a': 1, 'b': 2, 'c': 3}
values = list(my_dict.values())
print(values) 【终端输出】
[1, 2, 3]
9.4 取出字典的一个值
字典取值有以下4种方法：
使用方括号
[]取值：可以通过键名直接访问字典中的值，例如：dict[key]。使用
get()方法取值：get()方法可以通过键名获取字典中的值，如果键名不存在，则返回None或者指定的默认值。例如：dict.get(key, default=None)。使用
items()方法取值：items()方法可以返回字典中所有键值对的元组列表，可以通过遍历列表获取字典中的所有值。例如：for key, value in dict.items()。使用
values()方法取值：values()方法可以返回字典中所有的值，可以通过遍历列表获取字典中的所有值。例如：for value in dict.values()。
9.5 方括号[]取值
my_dict = {'a': 1, 'b': 2, 'c': 3}
values = my_dict['a']
print(values) 【终端输出】
1
my_dict是要获取值的字典对象。
a是字典中的一个键（key）。
[a]表示取键a对应的值。
9.6 列表索引取值
my_dict = {'a': 1, 'b': 2, 'c': 3}
values = list(my_dict.values())[0]
print(values) 【终端输出】
1
10. random.choices()返回序列的随机元素
【作用】
random.choices()函数用于从给定的序列中随机选择指定数量的元素，可以重复选择同一个元素。
【语法】
random.choices(population, weights=None, *, cum_weights=None, k=1)
population[ˌpɒpjuˈleɪʃn]：总体。
weights[weɪts]：体重、权重。
cumulative[ˈkjuːmjələtɪv]：累积的。
cum_weights：累计权重。
【参数说明】
population：必选参数，表示要操作的序列，可以是列表、元组、字符串等。
weights：可选参数，表示每个元素的相对权重，必须是一个与population长度相同的列表，如果不指定，则所有元素的权重相等。
cum_weights：可选参数，表示每个元素的累积权重，必须是一个与population长度相同的列表，如果不指定，则根据weights计算出累积权重。
k：可选参数，表示要选择的元素数量，默认为1。
【相对权重和累计权重的区别】
相对权重是指在一组数据中，每个数据所占的比例或重要性。相对权重的计算方法是将每个数据除以所有数据的总和，得到每个数据的相对权重值。相对权重通常用于比较不同数据之间的重要性或影响力。
累计权重是指在一组数据中，每个数据的权重值逐步累加的过程。累计权重的计算方法是将每个数据的权重值依次相加，得到每个数据的累计权重值。累计权重通常用于计算某个数据在整个数据集中的重要性或排名。
例如，如果有一个列表[1,2,3,4]，并且指定了相对权重[1，2，3，4]，则元素4的被选中的概率是元素1的概率的4倍。
例如，如果有一个列表[1,2,3,4]，并且指定了累积权重[1，3，6，,0]，则元素4的概率被选中的概率是元素1的概率的10倍。
如果还是不明白，可以这样理解：
当weight=[1, 2, 3, 4]时，则cum_weights=[1, 3, 6, 10]
- 1+2=3
- 1+2+3=6
- 1+2+3+4=10
这就是逐步累加的过程。
如果还是不明白，那就放弃吧，对现阶段学Python没什么意义，写出来就是扩展点大家的知识面而已。
【返回值】
返回一个列表，包含k个随机选择的元素。
【代码示例】
import random # 从列表中随机选择一个元素，没有k参数的时候，默认取1个元素 lst = ['张三', '李四', '王五', '赵六'] print(random.choices(lst)) # # 从列表中随机选择两个元素 k=2，取2个元素 print(random.choices(lst, k=2)) # # 从列表中随机选择三个元素，k=3，取3个元素 # 其中张三的权重为2，李四的权重为1，王五和赵六的权重为3 print(random.choices(lst, weights=[2, 1, 3, 3], k=3))
【终端输出】
['张三']
['赵六', '张三']
['赵六', '王五', '李四']
11. random.choices和random.choice的异同
【相同点】
都是从给定的序列中随机选择元素。
都可以用于列表、元组、字符串等序列类型。
【不同点】
random.choices可以从序列中选择多个元素，而random.choice只能选择一个元素。
random.choices可以指定每个元素被选择的概率，而random.choice选择的是等概率的。
random.choices返回的是一个列表，而random.choice返回的是一个单独的元素。
12. random.expovariate-返回指数分布的随机数
expovariate指数变量。
【作用】
random.expovariate用于生成指数分布的随机数。
【什么是指数分布】
指数分布是一种连续概率分布，常用于描述一些随机事件的时间间隔，如等待时间、到达时间等。
它的概率密度函数为f(x) = λe^(-λx)，其中λ为分布参数，x为随机变量。
指数分布具有无记忆性，即在已知事件发生的时间点后，下一次事件发生的时间与上一次事件发生的时间无关。
指数分布在可靠性工程、生物学、经济学等领域中有广泛应用。
【语法】
random.expovariate(lambd)
【参数说明】
lambd：拉姆达，希腊字母的第11个， λ。
lambd：指数分布的参数，也称为速率参数，表示单位时间内发生事件的平均次数。
lambd表示1.0除以所需的平均值，该指为非0。
如果lambd为正，返回的值的范围为0到正无穷大。
如果lambd为负，返回的值的范围从负无穷大到0.
【返回值】
返回一个符合指数分布的随机数。
【lambd为正】
import random lambd = 0.5 x = random.expovariate(lambd) print(x)
【终端输出】
0.5572420727942687
【lambd为负】
import random lambd = -0.8 x = random.expovariate(lambd) print(x)
【终端输出】
-0.2489617561974653
13. random.gammavariate-返回以Gamma分布的随机数
gammavariate：伽玛变量。
gamma：伽玛，希腊字母表中第3字母 γ。
【作用】
random.gammavariate函数用于生成符合Gamma分布的随机数。
【什么是Gamma分布】
Gamma分布是一种连续概率分布，常用于描述随机事件发生的时间间隔或持续时间。
它的概率密度函数为：
【返回值】
返回一个符合Gamma分布的随机数。
【代码示例】
import random # 生成符合Gamma分布的随机数 alpha = 2 beta = 1 x = random.gammavariate(alpha, beta) print(x)
【终端输出】
2.0457066268448707
【生成5个服从Gamma分布的随机数】
import random
for i in range(5):
print(random.gammavariate(2, 1))【终端输出】
0.36675044434061005
3.5617162671776015
2.441417900614287
2.913293585705838
3.0622343724484318
14. random.gauss-一个符合高斯分布的随机数
gauss[ɡaʊs]：高斯。
【作用】
random.gauss函数用于生成一个符合高斯分布的随机数。
【什么是高斯分布】
高斯分布，也称为正态分布，是一种常见的概率分布。
它的概率密度函数呈钟形曲线，中心对称，具有一个峰值，两侧逐渐趋于无穷小。
高斯分布的特点是均值和标准差决定了它的形状和位置。
在自然界和社会现象中，很多现象都可以用高斯分布来描述，例如身高、体重、智力、收入等。高斯分布在统计学、物理学、工程学、经济学等领域都有广泛的应用。
【语法】
random.gauss(mu, sigma)
【参数说明】
mu：高斯分布的均值（期望值）。
sigma：高斯分布的标准差。
mu：缪，希腊字母表中第12个字母， μ。
sigma：西格玛，希腊字母表中第18个字母，σ。
【返回值】
返回一个符合高斯分布的随机数。
【代码示例】
import random mu = 0 # 均值 sigma = 1 # 标准差 x = random.gauss(mu, sigma) print(x)
【终端输出】
-1.0577354695155303
以上就是python random模块常用函数使用教程的详细内容，更多关于python random模块函数的资料请关注脚本之家其它相关文章！