黑马程序员技术交流社区

标题: [Python标准库]random——伪随机数生成器 [打印本页]

作者: 易大帅 时间: 2017-3-13 10:20
标题: [Python标准库]random——伪随机数生成器
我看的都是几个作者写的不错的

[Python标准库]random——伪随机数生成器（dapeng0802）
[Python标准库]random——伪随机数生成器
      作用：实现了多种类型的伪随机数生成器。
      Python 版本：1.4 及以后版本
      random 模块基于 Mersenne Twister 算法提供了一个快速伪随机数生成器。原先开发这个生成器是为了向蒙特卡洛模拟生成输入，Mersenne Twister算法会生成有一个大周期的近均匀分布的数，以适用于各种类型的应用。
生成随机数
      random() 函数从所生成的序列返回下一个随机的浮点数值。返回的所有值都落在 0 <= n < 1.0 区间内。
import randomfor i in xrange(5): print '%04.3f' % random.random(),print
重复运行这个程序会生成不同的数字序列。
      要生成一个指定数值区间内的数，则要使用 uniform()。
import randomfor i in xrange(5): print '%04.3f' % random.uniform(1, 100),print
传入最小值和最大值，uniform() 会使用公式 min + (max - min) * random() 来调整 random() 的返回值。
指定种子
      每次调用 random() 会生成不同的值，在一个非常大的周期之后数字才会重复。这对于生成唯一值或变化的值很有用，不过有些情况下可能需要提供相同的数据集，从而以不同的方式处理。对此，一种技术是使用一个程序来生成随机值，并保存这些随机值，以便通过一个单独的步骤另行处理。不过，这对于量很大的数据来说可能并不实用，所以 random 包含了一个 seed() 函数，用来初始化伪随机数生成器，使它能生成一个期望的值集。
import randomrandom.seed(1)for i in xrange(5): print '%04.3f' % random.random(),print
种子（seed）值会控制生成伪随机数所用公式产生的第一个值，由于公式是确定性的，改变种子后也就设置了要生成的整个序列。seed() 的参数可以是任意可散列对象。默认为使用一个平台特定的随机源（如果有的话）。否则，如果没有这样一个随机源，则会使用当前时间。
保存状态
      random() 使用的伪随机算法的内部状态可以保存，并用于控制后续各轮生成的随机数。继续生成随机数之前恢复一个状态，这会减少由之前输入得到重复的值或值序列的可能性。getstate() 函数会返回一些数据，以后可以用 setstate() 利用这些数据重新初始化伪随机数生成器。
import randomimport osimport cPickle as pickleif os.path.exists('state.dat'): # Restore the previously saved state print 'Found state.dat, initializing random module' with open('state.dat', 'rb') as f:       state = pickle.load(f) random.setstate(state)else: # Use a well-known start state print 'No state.dat, seeding' random.seed(1)# Produce random valuesfor i in xrange(3): print '%04.3f' % random.random(),print# Save state for next timewith open('state.dat', 'wb') as f: pickle.dump(random.getstate(), f)# Produce more random valuesprint '\nAfter saving state:'for i in xrange(3): print '%04.3f' % random.random(),print
getstate() 返回的数据是一个实现细节，所以这个例子用 pickle 将数据保存到一个文件，不过可以把它当作一个黑盒。如果程序开始时这个文件存在，则加载原来的状态并继续。每次运行时都会在保存状态之前以及之后生成一些数，以展示恢复状态会导致生成器再次生成同样的值。
随机整数
      random() 将生成浮点数。可以把结果转换为整数，不过直接使用 randint() 生成整数会更方便。
import randomprint '[1, 100]:',for i in xrange(3): print random.randint(1, 100),print '\n[-5, 5]:',for i in xrange(3): print random.randint(-5, 5),print
random() 的参数是值的闭区间的两端。这些数可以是正数或负数，不过第一个值要小于第二个值。
      randrange() 是从区间选择值的一种更一般的形式。
import randomfor i in xrange(3): print random.randrange(0, 101, 5),print
除了开始值（start）和结束值（stop），randrange() 还支持一个步长（step）参数，所以它完全等价于从 range(start, stop, step) 选择一个随机值。不过 randrange 更高效，因为它并没有真正构造区间。
选择随机元素
      随机数生成器有一种常见用法，即从一个枚举值序列中选择元素，即使这些值并不是数字。random 包括一个 choice() 函数，可以在一个序列中随机选择。下面这个例子模拟抛硬币 10000 次，来统计多少次面朝上，多少次面朝下。
import randomimport itertoolsoutcomes = { 'heads':0,          'tails':0,          }sides = outcomes.keys()for i in range(10000): outcomes[ random.choice(sides) ] += 1print 'Heads:', outcomes['heads']print 'Tails:', outcomes['tails']
由于只允许两个结果，所以不必使用数字然后再进行转换，这里对 choice() 使用了单词“heads”（表示面朝上）和“tails”（表示面朝下）。结果以表格形式存储在一个字典中，使用结果名作为键。
排列
      要模拟一个扑克牌游戏，需要把一副牌混起来，然后向玩家发牌，同一张牌不能多次使用。使用 choice() 可能导致同一张牌被发出两次，所以，可以用 shuffle() 来洗牌，然后在发各张牌时删除所发的牌。
import randomimport itertoolsFACE_CARDS = ('J', 'Q', 'K', 'A')SUITS = ('H', 'D', 'C', 'S')def new_deck(): return list(itertools.product(          itertools.chain(xrange(2, 11), FACE_CARDS),          SUITS,          ))def show_deck(deck): p_deck = deck[:] while p_deck:       row = p_deck[:13]       p_deck = p_deck[13:]       for j in row:          print '%2s%s' % j,       print# Make a new deck, with the cards in orderdeck = new_deck()print 'Initial deck:'show_deck(deck)# Shuffle the deck to randomize the orderrandom.shuffle(deck)print '\nShuffled deck:'show_deck(deck)# Deal 4 hands of 5 cards eachhands = [ [], [], [], [] ]for i in xrange(5): for h in hands:       h.append(deck.pop())# Show the handsprint '\nHands:'for n, h in enumerate(hands): print '%d:' % (n + 1), for c in h:       print '%2s%s' % c, print# Show the remaining deckprint '\nRemining deck:'show_deck(deck)
这些扑克牌表示为元组，由面值和一个表示花色的字母组成。要创建已发出“一手牌”，可以一次向 4 个列表分别增加一张牌，然后从这副牌中将其删除，使这些牌不会再次发出。
采样
      很多模拟需要从大量输入值中得到随机样本。sample() 函数可以生成无重复值的样本，且不会修改输入序列。下面的例子会打印系统字典中单词的一个随机样本。
import randomwith open('/usr/share/dict/words', 'rt') as f: words = f.readlines()words = [ w.rstrip() for w in words ]for w in random.sample(words, 5): print w
生成结果集的算法会考虑输入的规模和所请求的样本，从而尽可能高效地生成结果。
多个并发生成器
      除了模块级函数，random 还包括一个 Random 类来管理多个随机数生成器的内部状态。之前介绍的所有函数都可以作为 Random 实例的方法得到，而且各个实例可以单独初始化和使用，而不会与其他实例返回的值相互干扰。
import randomimport timeprint 'Default initializion:\n'r1 = random.Random()r2 = random.Random()for i in xrange(3): print '%04.3f  %04.3f' % (r1.random(), r2.random())print '\nSame seed:\n'seed = time.time()r1 = random.Random(seed)r2 = random.Random(seed)for i in xrange(3): print '%04.3f %04.3f' % (r1.random(), r2.random())
如果系统上设置了很好的内置随机值种子，不同实例会有唯一的初始状态。不过，如果没有一个好的平台随机值生成器，不同实例往往会用当前时间作为种子，因此会生成相同的值。
      为了确保生成器从随机周期的不同部分生成值，可以使用 jumpahead() 调整其中一个生成器的初始状态。
import randomimport timer1 = random.Random()r2 = random.Random()# Force r2 to a different part of the random period than r1.r2.setstate(r1.getstate())r2.jumpahead(1024)for i in xrange(3): print '%04.3f  %04.3f' % (r1.random(), r2.random())
jumpahead() 的参数应当是基于各生成器所需值个数的一个非负整数。生成器的内部状态根据这个输入值调整，但并不只是按给定的步数递增。
SystemRandom
      有些操作系统提供了一个随机数生成器，可以访问更多能够引入生成器的信息源。random 通过 SystemRandom 类提供了这个特性，这个类与 Random 的 API 相同，不过使用 os.urandom() 生成值，这构成了所有其他算法的基础。
import randomimport timeprint 'Default initializion:\n'r1 = random.SystemRandom()r2 = random.SystemRandom()for i in xrange(3): print '%04.3f  %04.3f' % (r1.random(), r2.random())print '\nSame seed:\n'seed = time.time()r1 = random.SystemRandom(seed)r2 = random.SystemRandom(seed)for i in xrange(3): print '%04.3f %04.3f' % (r1.random(), r2.random())
SystemRandom 产生的序列是不可再生的，因为其随机性来自系统，而不是来自软件状态（实际上，seed() 和 setstate() 根本不起作用）。
非均匀分布
      random() 生成的值为均匀分布，这对于很多用途来说非常有用，不过，另外一些分布可以更准确地对特定情况建模。random 模块还包含一些函数来生成这样一些分布的值。这里将列出这些分布，但是并不打算详细介绍，因为它们往往只在特定条件下使用，而且需要更复杂的例子来说明。
      1. 正态分布
      正态分布（normal distribution）常用于非均匀的连续值，如梯度、高度、重量等等。正态分布产生的曲线有一个独特形状，所以被昵称为“钟形曲线”。random 包含两个函数可以生成正态分布的值，分别是 normalvariate() 和稍快一些的 gauss()。（正态分布也称为高斯分布）
      还有一个相关的函数 lognormvariate()，它可以生成对数呈正态分布的伪随机值。对数正态分布适用于多个不交互随机变量的积。
      2. 近似分布
      三角分布用于小样本的近似分布。三角分布的“曲线”中，低点在已知的最小和最大值，在模式值处有一个高点，这要根据“最接近”的结果（由 trianglar() 的模式参数反映）来估计。
      3. 指数分布
      expovariate() 可以生成一个指数分布，这对于模拟到达或间隔时间值用于齐次泊松过程会很有用，如放射衰变速度或到达 Web 服务器的请求。
      很多可观察的现象都适用帕累托分布或幂律分布，这个分布因 Chris Anderson 的“长尾效应”而普及。paretovariate() 函数对于模拟资源分配很有用（人的财富、音乐家的需求、对博客的关注，等等）。
      4. 角分布
      米塞斯分布或圆正态分布（由 vonmisesvariate() 生成）用于计算周期值的概率，如角度，日历日期和时间。
      5. 大小分布
      betavariate() 生成 Beta 分布的值，常用于贝叶斯统计和应用，如任务持续时间建模。
      gammavariate() 生成的伽玛分布用于对事物的大小建模，如等待时间、雨量和计算错误。
      weibullvariate() 计算的韦伯分布用于故障分析、工业工程和天气预报。它描述了粒子或其他离散对象的大小分布。

欢迎光临黑马程序员技术交流社区 (http://bbs.itheima.com/)

黑马程序员IT技术论坛 X3.2