python必背源代码随机数random代码
全面梳理Python标准库random模块的核心必背源代码,详细解析randint、randrange、uniform、choice、sample、shuffle等函数的具体用法、边界差异、操作流程与避坑指南。
random 模块。该模块基于梅森旋转算法(Mersenne Twister)实现伪随机序列,无需第三方依赖,日常开发中高频使用的核心函数仅有 7 个:randint、randrange、random、uniform、choice、sample 以及 shuffle。本文将这些关键代码按场景整理并给出对比解析,助你在实际项目中准确调用。
一、基础准备:导入模块与控制随机种子
random 是 Python 的内置标准库,直接通过 import random 即可引入。在需要测试算法逻辑、重现 Bug 或撰写实验教程时,随机数的变化会影响实验的一致性。此时可以通过指定随机种子(seed)让生成的随机序列完全固定且可复现。
import random
# 设置固定随机种子(任意数值)
random.seed(42)
print(random.randint(1, 100))
print(random.randint(1, 100))
82
15
只要种子数值保持为 42,无论在哪个操作系统或哪次运行中,这两次打印的数值都必定严格是 82 和 15。若不显式设置种子,Python 默认会使用系统时钟或操作系统熵源作为初始种子。
二、整数随机数必背代码:randint 与 randrange
生成随机整数是最常见的需求,Python 提供了两个核心函数:random.randint(a, b) 和 random.randrange(start, stop[, step])。理解两者的区间闭合规则至关重要。
1. random.randint(a, b):双闭区间
randint(a, b) 返回范围在 [a, b] 内的随机整数,包含两端端点 a 和 b。
import random
# 模拟掷骰子(1到6的随机整数,包含1和6)
dice = random.randint(1, 6)
print("掷骰子结果:", dice)
# 生成 1 到 100 之间的积分奖励
score = random.randint(1, 100)
print("获得积分:", score)
掷骰子结果: 4
获得积分: 73
2. random.randrange(start, stop, step):左闭右开区间
randrange(start, stop, step) 模拟了 Python 内置 range() 的行为,遵循左闭右开 [start, stop) 原则,包含 start 但严格排除 stop,并且支持步长 step。
import random
# 生成 0 到 9 之间的整数(不包含 10)
num = random.randrange(0, 10)
print("0到9随机数:", num)
# 生成 0 到 100 之间的偶数(步长为 2)
even_num = random.randrange(0, 100, 2)
print("随机偶数:", even_num)
0到9随机数: 7
随机偶数: 48
在配合列表索引使用时,由于 Python 列表索引范围是
0 到 len(lst) - 1。如果误写成 randint(0, len(lst)),当随机值恰好等于 len(lst) 时就会触发 IndexError: list index out of range。而使用 randrange(len(lst)) 则与 range(len(lst)) 的合法下标完全吻合,杜绝越界隐患。
三、浮点数随机数必背代码:random() 与 uniform()
生成连续型小数或概率阈值判断时,使用以下两行代码:
1. random.random():标准 [0.0, 1.0) 浮点数
无参数调用,返回 0.0 <= x < 1.0 的半开区间浮点数,常用于概率触发判断。
import random
# 生成基础随机浮点数
val = random.random()
print("基础浮点数:", val)
# 典型场景:30% 概率触发暴击
if random.random() < 0.3:
print("触发暴击伤害!")
else:
print("普通攻击")
基础浮点数: 0.618392105436752
普通攻击
2. random.uniform(a, b):任意范围内的均匀分布浮点数
当需要在自定义范围 [a, b] 内生成连续浮点数时,直接使用 uniform(a, b),无需自行通过乘除法缩放。
import random
# 生成 1.5 到 9.5 之间的温度模拟数值
temp = random.uniform(1.5, 9.5)
print("模拟温度:", round(temp, 2))
模拟温度: 6.42
四、序列操作四剑客:choice、choices、sample 与 shuffle
针对已有列表或元组进行随机选取或打乱顺序,是 random 模块最强大的功能区。
1. 单个选取:random.choice(seq)
从非空序列(列表、元组、字符串)中随机挑出一个元素,返回该元素本身。
import random
options = ["苹果", "香蕉", "橙子", "草莓"]
selected = random.choice(options)
print("今天吃的水果:", selected)
今天吃的水果: 香蕉
2. 有放回多选:random.choices(population, weights=None, k=1)
从群体中抽取 k 个元素。有放回抽样意味着同一个元素可能被重复抽中多次。该函数还支持通过 weights 参数指定每个元素的被抽中权重。
import random
cards = ["普通卡", "稀有卡", "史诗卡", "传说卡"]
# 按照 70%, 20%, 8%, 2% 的概率权重连续抽取 3 次
draws = random.choices(cards, weights=[70, 20, 8, 2], k=3)
print("抽卡结果:", draws)
抽卡结果: ['普通卡', '普通卡', '稀有卡']
3. 无放回多选:random.sample(population, k)
从总体中抽取 k 个互不重复的独立元素。要求参数 k 必须小于等于序列的总长度,否则会抛出 ValueError。
import random
candidates = ["张三", "李四", "王五", "赵六", "钱七"]
# 抽取 2 名不同候选人作为获奖者(绝不重复)
winners = random.sample(candidates, k=2)
print("中奖名单:", winners)
中奖名单: ['王五', '张三']
4. 原地打乱顺序:random.shuffle(x)
将可变序列(如 list)中的元素位置随机重新排列。
import random
poker = ["红桃A", "黑桃K", "梅花Q", "方块J", "大王"]
# 原地洗牌:直接修改 poker 列表本身
random.shuffle(poker)
print("洗牌后的牌堆:", poker)
洗牌后的牌堆: ['梅花Q', '大王', '红桃A', '方块J', '黑桃K']
random.shuffle(x) 是原地操作(in-place),其执行后的返回值为 None。千万不能写成:
poker = random.shuffle(poker),否则 poker 将变成 None,导致原数据丢失!
五、选型决策:有放回抽样 vs 无放回抽样
在涉及多个元素抽取时,开发者常在 choices() 与 sample() 之间犹豫。它们的核心差异体现在抽取后样本是否重新归还总体:
| 对比维度 | random.choices(seq, k=n) | random.sample(seq, k=n) |
|---|---|---|
| 抽样机制 | 有放回抽样(With Replacement) | 无放回抽样(Without Replacement) |
| 结果重复性 | 允许包含重复元素 | 严格保证每个元素唯一、不重复 |
| 抽取数量 k 限制 | 无限制,k 可以远大于序列长度 | 受限,k 必须满足 0 <= k <= len(seq) |
| 权重参数 | 支持 weights / cum_weights | 不支持权重(均等概率无放回) |
| 典型现实场景 | 多次投掷硬币、验证码字符生成、带概率抽奖 | 彩票开奖、抽选免考名单、发一副不重样的扑克牌 |
六、总结速查与安全避坑
为方便日常写代码时迅速复制套用,下方图表与清单总结了完整的常用代码原型与需要留意的安全边界。
random 模块生成的都是伪随机数,其底层算法状态完全可以通过已有的若干输出值被逆向推导出来。凡涉及用户密码生成、安全认证 Token、验证码生成、加密密钥等安全敏感场景,严禁使用 random 模块,请使用 Python 3.6+ 内置的
secrets 模块(如 secrets.choice() 或 secrets.token_hex(16))。
熟练记住上述 randint(闭区间)、randrange(半开区间)、uniform(连续浮点)、choice(单选)、sample(去重选)与 shuffle(原地洗牌)这 6 个主要用法,即可覆盖 95% 以上的日常开发随机数需求。
本站声明
本文内容仅供参考,不代表本站观点。转载或引用请注明出处。如发现内容问题,请通过联系我们页面反馈。













