Python随机数生成方法大全

知识点掌握了，还需要不断练习才能熟练运用。下面golang学习网给大家带来一个文章开发实战，手把手教大家学习《Python生成随机数的几种方法》，在实现功能的过程中也带大家重新温习相关知识点，温故而知新，回头看看说不定又有不一样的感悟！

Python生成随机数主要依赖random模块，其核心是伪随机数生成算法（如Mersenne Twister），通过种子初始化并产生看似随机的确定性序列；random模块适用于模拟、游戏等一般场景，而secrets模块则提供加密安全的随机数，用于密码、令牌等高安全性需求；常见函数包括random()、uniform()、randint()、choice()、sample()和shuffle()，并可通过seed()控制序列可重复性；在性能敏感或大规模计算场景下，推荐使用NumPy的随机数生成器以获得更高效的表现。

Python中生成随机数的核心在于其内置的random模块。通过这个模块，我们可以轻松地生成各种类型的随机数，无论是整数、浮点数，还是从序列中随机选择元素，甚至打乱序列的顺序，它都能提供相应的函数来实现。

生成随机数在编程中是个挺常见的需求，从模拟实验、游戏开发到数据加密，处处都有它的身影。Python的random模块就是为此而生的，它提供了一系列功能强大的工具。

要生成一个随机浮点数，最基础的是random.random()，它会返回一个[0.0, 1.0)之间的浮点数。如果你需要指定范围，比如[a, b)，可以用random.uniform(a, b)。

对于整数，random.randint(a, b)能生成一个[a, b]（包含a和b）之间的随机整数。如果想要更灵活地指定步长，或者不包含上限，random.randrange(start, stop, step)会更合适，它的行为类似range()函数。

从序列中随机选择一个元素，random.choice(sequence)就派上用场了。而如果想从序列中随机选择多个不重复的元素，random.sample(sequence, k)是你的朋友。它会返回一个包含k个不重复元素的列表。

有时候，我们需要将一个列表的元素顺序打乱，random.shuffle(list)可以直接在原地修改列表，使其元素随机排列。

import random

# 生成一个 [0.0, 1.0) 之间的随机浮点数
float_num_default = random.random()
print(f"默认随机浮点数: {float_num_default}")

# 生成一个 [10.0, 20.0) 之间的随机浮点数
float_num_range = random.uniform(10.0, 20.0)
print(f"指定范围随机浮点数: {float_num_range}")

# 生成一个 [1, 10] 之间的随机整数
int_num_inclusive = random.randint(1, 10)
print(f"包含上下限的随机整数: {int_num_inclusive}")

# 生成一个从 0 到 100（不包含100），步长为5的随机整数
int_num_step = random.randrange(0, 100, 5)
print(f"带步长的随机整数: {int_num_step}")

# 从列表中随机选择一个元素
my_list = ['apple', 'banana', 'cherry', 'date']
random_choice = random.choice(my_list)
print(f"随机选择一个元素: {random_choice}")

# 从列表中随机选择3个不重复的元素
random_sample = random.sample(my_list, 3)
print(f"随机选择3个不重复元素: {random_sample}")

# 打乱列表顺序
another_list = [1, 2, 3, 4, 5]
random.shuffle(another_list)
print(f"打乱后的列表: {another_list}")

# 设置随机数种子，以实现可重复的随机数序列
random.seed(42) # 任何整数都可以作为种子
print(f"设置种子后第一次随机数: {random.random()}")
random.seed(42) # 再次使用相同的种子
print(f"再次设置种子后第二次随机数: {random.random()}")

Python伪随机数的原理是什么？它真的“随机”吗？

当我们谈论Python的random模块生成的随机数时，实际上我们说的是“伪随机数”。这个概念听起来有点矛盾，但理解它对于正确使用随机数至关重要。伪随机数并非真正的随机，而是通过一个确定性的算法（在Python中，通常是Mersenne Twister算法）生成的数列。这个算法从一个初始值，也就是“种子”（seed）开始，经过一系列复杂的数学运算，产生出看起来没有规律的数字序列。

所以，它“随机”的地方在于，如果你不知道初始的种子，那么这个序列对你来说就是不可预测的，看起来像是随机的。但它“伪”的地方在于，如果你知道种子，那么你就能完全复现这个序列。每次程序启动时，如果没有显式地设置种子，Python的random模块会默认使用系统时间、操作系统提供的随机源（如/dev/urandom）等作为种子。这意味着每次运行程序，你得到的随机数序列通常是不同的。

在大多数应用场景，比如游戏、模拟、数据抽样，这种伪随机性已经足够了。它能提供足够的不可预测性，同时又允许在需要时通过设置种子来重现实验结果，这在科学研究和调试中非常有价值。但对于需要高安全性的场景，比如密码学，伪随机数就显得力不那么足了，因为理论上，如果攻击者能推断出种子，他们就能预测未来的“随机”数。

如何在Python中生成加密安全的随机数？

正如前面提到的，random模块生成的伪随机数对于一般用途来说足够了，但如果涉及到安全性要求极高的场景，比如生成密码、令牌、密钥等，我们就需要“加密安全的随机数”。Python为此提供了一个专门的模块：secrets。

secrets模块旨在生成适合管理机密数据（如密码、认证令牌、安全密钥）的随机数。它通过操作系统提供的最高质量的随机源来生成这些随机数，这些随机源通常被认为是密码学安全的。这意味着它们更难以预测，即使是理论上拥有大量计算资源的攻击者也很难推断出它们的模式。

使用secrets模块非常简单直观：

• secrets.randbelow(n)：生成一个在[0, n)范围内的随机整数。这和random.randrange(n)类似，但它保证了密码学安全性。
• secrets.token_bytes(nbytes=None)：生成一个包含nbytes个随机字节的字节串。如果nbytes未指定或为None，则会使用一个合理的默认值。
• secrets.token_hex(nbytes=None)：生成一个包含nbytes个随机字节的十六进制字符串。这对于生成API密钥或会话令牌非常有用。
• secrets.token_urlsafe(nbytes=None)：生成一个URL安全（即不包含特殊字符，可以直接用在URL中）的随机文本字符串。

import secrets

# 生成一个 [0, 100) 之间的加密安全随机整数
safe_int = secrets.randbelow(100)
print(f"加密安全随机整数: {safe_int}")

# 生成一个32字节的随机字节串
safe_bytes = secrets.token_bytes(32)
print(f"加密安全随机字节串: {safe_bytes.hex()}") # 通常会转换为十六进制显示

# 生成一个16字节的随机十六进制字符串（通常用于API密钥）
safe_hex_token = secrets.token_hex(16)
print(f"加密安全十六进制令牌: {safe_hex_token}")

# 生成一个URL安全的随机字符串（通常用于重置密码链接）
safe_url_token = secrets.token_urlsafe(24)
print(f"加密安全URL令牌: {safe_url_token}")

# 检查一个密码是否足够强壮（只是一个示例，实际密码策略更复杂）
password = "my_secret_password"
if secrets.compare_digest(password.encode('utf-8'), b'expected_hash'):
    print("密码匹配（仅为示例，实际应比较哈希值）")
else:
    print("密码不匹配（仅为示例）")

secrets模块是处理任何需要真正不可预测性的场景的首选。永远不要在需要加密安全的地方使用random模块。

Python随机数生成中常见的陷阱和性能考量

在使用Python的随机数生成功能时，虽然大多数情况下random模块都能很好地工作，但仍然有一些常见的陷阱和性能考量值得注意。

一个常见的误解是，认为需要手动为random模块设置种子（例如使用random.seed(time.time())）才能获得“更随机”的结果。实际上，这是不必要的。Python的random模块在首次导入或首次调用其函数时，如果未显式设置种子，它会自动且妥善地从操作系统中获取高质量的熵源（如系统时间、操作系统提供的随机数生成器/dev/urandom等）来初始化其内部状态。这意味着，在大多数情况下，你直接调用random.random()或random.randint()就已经能获得足够随机且每次运行都不同的结果了。手动用time.time()设置种子反而可能因为时间精度不够高，导致在短时间内多次运行程序时，产生相同的随机数序列，这在某些场景下反而是个问题。

另一个需要注意的点是随机数的分布。random.random()生成的是均匀分布的浮点数，random.randint()生成的是均匀分布的整数。但如果你需要非均匀分布的随机数，比如正态分布（高斯分布）、指数分布等，random模块也提供了相应的函数，例如random.gauss(mu, sigma)和random.expovariate(lambd)。如果不清楚这些函数的具体行为，可能会误用，导致生成的随机数不符合预期的数据模式。

从性能角度看，对于一般的随机数生成需求，random模块的性能是完全足够的。然而，如果你的应用需要生成海量的随机数，或者在高性能计算（HPC）、科学计算中进行大规模模拟，那么你可能需要考虑使用NumPy库的随机数生成器（numpy.random）。NumPy的随机数生成器通常是用C语言实现的，并且经过高度优化，能够以更快的速度生成大量的随机数，尤其是在处理数组和矩阵时效率更高。它也提供了更多样的分布类型和更灵活的种子管理机制。

import numpy as np

# 使用NumPy生成大量随机数
# 生成一个形状为 (1000, 1000) 的随机浮点数数组
numpy_random_array = np.random.rand(1000, 1000)
# print(numpy_random_array) # 打印会很大

# 生成一个均值为0，标准差为1的正态分布随机数
normal_dist_num = np.random.normal(loc=0.0, scale=1.0)
print(f"NumPy正态分布随机数: {normal_dist_num}")

# 设置NumPy的随机数种子
np.random.seed(42)
print(f"NumPy设置种子后随机数: {np.random.rand()}")

总的来说，理解伪随机数的本质，明确random和secrets模块各自的适用场景，并在需要时考虑NumPy这样的高性能库，能帮助我们更有效地利用Python的随机数生成能力。

以上就是本文的全部内容了，是否有顺利帮助你解决问题？若是能给你带来学习上的帮助，请大家多多支持golang学习网！更多关于文章的相关知识，也可关注golang学习网公众号。