In [9]:
import random
random.seed(5)
print(random.randint(1, 100))
80
In [3]:
def gauss(self, mu, sigma):
pass
mu是平均值sigma是标准差
下面的代码生成10000个符合平均值为3标准为1的随机数并绘制出直方图。
In [3]:
import random
nums = []
for i in range(10000):
value = random.gauss(3, 1)
nums.append(value)
print(nums[:10])
[1.4060011310734861, 3.2534874072262148, 2.592252538916622, 3.0356679064704792, 2.9064481643333417, 3.586646311256348, 3.692808027813995, 2.5132998545243956, 2.1727826070924174, 3.3069295146843647]
In [5]:
import random
random.randint(0, 100)
Out[5]:
32
random.randrange(stop)
random.randrange(start, stop[, step])ange(stop) 产生一个从0到 stop-1 的整数序列 seq ，
random.randrange(stop) 从 seq 里随机选择一个数做为返回值，
random.randrange(stop) 等价于 random.randint(0, stop-1) 。
range(start, stop[, step]) 以 step 为步长从start开始到stop结束产生一个序列 seq ，
random.randrange(start, stop[, step]) 从 seq 里随机选择一个数做为返回值。
示例代码：
In [6]:
random.randrange(100)
Out[6]:
94
In [7]:
random.randrange(0, 100, 3)
Out[7]:
66
In [8]:
random.randrange(0, 100, 3)
Out[8]:
99
In [9]:
random.getrandbits(3)
Out[9]:
0
In [10]:
random.getrandbits(3)
Out[10]:
6
In [11]:
random.getrandbits(3)
Out[11]:
3
In [12]:
random.getrandbits(3)
Out[12]:
6
In [13]:
random.getrandbits(3)
Out[13]:
7
In [14]:
random.getrandbits(3)
Out[14]:
1
In [15]:
random.getrandbits(3)
Out[15]:
5
In [16]:
random.getrandbits(3)
Out[16]:
0
In [17]:
import random
random.random()
Out[17]:
0.9009004917506227
In [18]:
random.uniform(1.2, 4.5)
Out[18]:
1.5735796833553763
In [19]:
random.uniform(4.5, 1.2)
Out[19]:
2.95207214231886
In [20]:
random.uniform(4.5, 4.5)
Out[20]:
4.5
uniform 对a，b两个参数的大小关系没有要求，通常人们会猜测a应当小于等于b，但实际上a可以大于b。
In [21]:
random.choice([1, 4, 5, 6])
Out[21]:
1
random.choices(population, weights=None, *, cum_weights=None, k=1)random.choices 方法从序列 population 中随机选取 k 个对象，
如果指定了 weights ，则根据权重返回对象，权重越大，
被随机选中返回的概率越大。返回的k个随机对象可以有重复对象，这一点一定要注意。
参数解释：
population序列weights相对权重cum_weights累积权重k，返回对象的个数
示例代码：
- 不设置权重
In [4]:
import random
fruits = ['苹果', '香蕉', '火龙果', '葡萄']
lst = random.choices(fruits, k=2)
print(lst)
['香蕉', '香蕉']
- 设置相对权重
In [5]:
import random
fruits = ['苹果', '香蕉', '火龙果', '葡萄']
lst = random.choices(fruits, weights=[5, 2, 2, 1], k=2)
print(lst)
['苹果', '苹果']
weights 里的对象个数必须与 fruits 里的对象个数相同，
weights 表示的是各项之间被选中的概率相对比值，苹果被随机选中的概率是50%，
计算方法是 5/(5+2+2+1) 。
- 设置累积权重
In [6]:
import random
fruits = ['苹果', '香蕉', '火龙果', '葡萄']
lst = random.choices(fruits, cum_weights=[5, 7, 9, 10], k=2)
print(lst)
['葡萄', '苹果']
def sample(self, population, k):
参数说明：
population序列k抽样个数
如果 population 本身就包含了重复元素，sample 方法每次返回的对象都是样本中可能的选择。
In [7]:
import random
fruits = ['苹果', '香蕉', '火龙果', '葡萄']
lst = random.sample(fruits, k=2)
print(lst)
['苹果', '火龙果']
In [8]:
import random
lst = [i for i in range(10)]
random.shuffle(lst)
print(lst)
[4, 3, 2, 0, 9, 7, 1, 5, 6, 8]
经 shuffle 方法处理后，lst 列表变得无序。