核心方法详解:从整数到序列操作
整数生成:精准控制范围
random.randint(a, b)返回[a,b]闭区间整数,等价于randrange(a, b+1)。其底层调用self._randbelow(b-a+1) + a,确保每个整数概率均等。例如:random.randint(1,6)模拟骰子,长期运行各数字出现频率趋近1/6。
更灵活的randrange(start, stop[, step])支持步长控制:random.randrange(0,100,5)仅生成0,5,10,...,95。当step=2时即为偶数/奇数生成器。需注意stop不包含在结果中,与range()语义一致。
序列操作:随机采样与重排
random.choice(seq)从非空序列中随机选取单个元素。若传入空序列将抛出IndexError。配合random.choices()(注意s结尾)可实现加权采样:
import random
colors = ['红', '蓝', '绿']
weights = [0.5, 0.3, 0.2]
result = random.choices(colors, weights, k=10)
print(result) # 如:['红', '红', '蓝', '绿', '红', '红', '红', '蓝', '红', '绿']
weights可为浮点数列表,内部自动归一化。当k=1时退化为普通choice()。此功能在抽奖系统、游戏掉落机制中广泛应用。
random.shuffle(x[, random])原地打乱列表顺序,返回None。重要提示:该函数仅适用于可变序列(如list),对字符串、元组无效。若需保留原序列,应先复制:items = original.copy(); random.shuffle(items)。
random.sample(population, k)从总体中无放回抽样k个元素,返回新列表。当k大于总体长度时抛出ValueError。与choices()的核心差异在于是否放回——sample()保证结果元素互异。例如从100个用户中抽取10人做问卷:random.sample(range(100), 10)。
分布生成:构建复杂随机模型
均匀分布是随机数生成的基石。连续型均匀分布Uniform(a,b)的概率密度函数为f(x)=1/(b-a)(a≤x≤b)。在[0,1]区间内,random.random()即标准均匀分布。通过线性变换可生成任意区间均匀分布,如模拟骰子:int(random.random()*6)+1(但推荐使用randint(1,6)更精确)。
高斯分布(正态分布)在自然现象建模中至关重要。random.gauss(mu, sigma)生成均值为mu、标准差为sigma的分布。其内部实现基于Box-Muller变换,确保生成效率与精度。例如模拟考试成绩:grades = [random.gauss(75, 10) for _ in range(1000)],结果将呈现钟形曲线,约68%数据落在[65,85]区间。
指数分布常用于描述事件间隔时间(如服务器请求间隔)。random.expovariate(lambd)中lambd为速率参数(λ>0),期望值为1/λ。例如模拟每分钟平均5次请求的服务器:interval = random.expovariate(5),结果通常为0.1~0.3秒量级。
贝塔分布是二项分布的共轭先验,在贝叶斯统计中广泛使用。random.betavariate(alpha, beta)生成[0,1]区间值,当α=β=1时退化为均匀分布。典型应用:A/B测试中转化率的先验分布建模,如conversion_rate = random.betavariate(2, 8)模拟低转化率场景。