Python怎么生成指定范围的10个随机数列表

在 Python 中生成指定范围的 10 个随机数列表，核心决策取决于两个前置需求：生成的数字是否允许重复，以及需要生成整数还是浮点数。如果要求 10 个数字严格互不相同（无放回抽样），应使用 random.sample()；如果允许数字重叠（有放回抽样），可以使用 random.choices() 或列表推导式配合 random.randint()；若需生成连续区间的浮点数，则使用 random.uniform()。本文将围绕这几种典型场景展开，提供具体代码写法、运行示例与避坑要点。

一、标准操作流程与准备工作

在编写代码前，需要明确三个具体要素：数值区间的上下限（例如 1 到 100）、目标长度（10 个元素），以及区间是双闭还是左闭右开。Python 自带的 random 模块提供了完备的随机数工具，无需安装任何第三方库，直接通过 import random 即可引入。

生成操作通常遵循明确的逻辑步骤：先界定输入参数与业务对唯一性的要求，再调用对应的函数生成列表，最后检查列表长度和边界数值。整个流程如下图所示：

二、场景一：生成 10 个互不重复的随机整数

在抽奖、随机发牌、数据集无重复打乱等场景中，生成的 10 个数字必须严格互不相同。这在统计学上称为“无放回抽样”。

1. 核心实现方式：random.sample()

标准库中的 random.sample(population, k) 函数专为无放回抽样设计。第一个参数传入候选序列，第二个参数 k 传入需要抽取的元素个数（这里为 10）。

import random

# 设定目标范围为 1 到 100（包含两端）
start = 1
end = 100

# range(start, end + 1) 生成 [1, 100] 的连续整数序列
unique_randoms = random.sample(range(start, end + 1), 10)

print("生成的随机列表:", unique_randoms)
print("列表长度:", len(unique_randoms))

三、场景二：生成允许重复的 10 个随机整数

在模拟掷骰子、抛硬币或模拟传感器波动等场景中，每次抽出的数字相互独立，前后抽取互不影响，同一个数字完全可以出现多次。这属于“有放回抽样”。

1. 推荐写法 A：random.choices()

Python 3.6 及以上版本推荐使用 random.choices(population, k=10)，单行代码即可直接返回包含 10 个元素的列表，底层为有放回抽样：

import random

start = 1
end = 100

# k=10 指定生成 10 个数字，元素可能重复
choices_randoms = random.choices(range(start, end + 1), k=10)

print("生成的随机列表:", choices_randoms)

在上述示例输出中，数字 88 和 34 均出现了两次，符合有放回抽样的特征。该方法最大的好处是：即使指定的范围极小（例如只有 1 到 3），它也能正常独立抽取 10 次并返回列表，不会像 sample() 那样报错。

2. 经典写法 B：列表推导式配合 random.randint()

对于刚接触 Python 的读者，列表推导式结构非常直观：通过循环执行 10 次 random.randint(a, b) 来构造列表。

import random

start = 1
end = 100

# random.randint(start, end) 包含 end 端点本身
comprehension_randoms = [random.randint(start, end) for _ in range(10)]

print("生成的随机列表:", comprehension_randoms)

四、场景三：生成指定范围的 10 个随机浮点数

若需要的是连续区间的实数（例如生成 10.0 到 50.0 之间的温度读数），应当使用 random.uniform(a, b)。该函数返回在指定区间 [a, b] 内均匀分布的浮点数。

import random

start_float = 10.0
end_float = 50.0

# 生成 10 个连续分布的双精度浮点数
float_randoms = [random.uniform(start_float, end_float) for _ in range(10)]

# 如果需要保留 2 位小数，可结合 round() 函数
formatted_randoms = [round(x, 2) for x in float_randoms]

print("浮点数列表:", formatted_randoms)

五、场景选型决策树

面对不同的业务输入，如何准确选择最优函数？可参考以下推导逻辑：首先区分所需数据类型（整数或浮点数），对于整数再核实是否允许重合。根据这两个条件即可明确对应的最佳语法：

六、进阶技巧与注意事项

1. 随机结果的可复现性（设置随机种子）

在编写自动化测试、算法调试或实验报告时，往往需要每次运行代码都得到相同的一组“随机数”，以便核对输出。此时可在生成前调用 random.seed(value)：

import random

# 设定固定种子值（任意整数）
random.seed(42)
test_list_1 = random.sample(range(1, 101), 10)

random.seed(42)
test_list_2 = random.sample(range(1, 101), 10)

print(test_list_1 == test_list_2)  # 输出为 True，两次结果完全一致

2. 数据科学环境下的替代方案（NumPy）

若当前项目已引入了数据分析库 numpy，也可以直接使用 NumPy 提供的向量化生成方法。例如 numpy.random.randint(low, high, size=10)。但对于日常常规脚本，Python 内置的 random 模块无需第三方依赖，启动速度更快，内存开销更小。

七、方法横向对比与总结

为了便于快速查阅与选型，下表对 Python 生成指定范围 10 个随机数列表的四种主流方式进行了对比：

总结而言，在 Python 中生成指定范围的 10 个随机数列表，代码实现非常精简。核心原则是：要唯一选 random.sample()，可重复选 random.choices() 或列表推导式，浮点数选 random.uniform()。只要注意 range() 的右开边界以及 sample() 对候选池大小的要求，就能稳定写出健壮的随机数生成逻辑。