Python标准库：random生成服从各类分布的随机数

在上一篇文章中，小编初步介绍了random模块的常用用法，在今天的进阶篇中，我们将更深入地介绍random模块的应用，特别是生成符合各类分布特征的随机数。

我们知道，计算机对于事务的处理在物理层面上基于电路信号的变换，所以计算机并不能在无输入信息的情况下产生符合统计学特征的随机序列。

现实世界中，严格意义上的随机数在某次产生过程中是按照实验过程中表现的分布概率随机产生的，其结果是不可预测的。而计算机中随机函数则是按照一定算法模拟产生的，其结果是确定的，可预见的，因此用计算机随机函数所产生的“随机数”实际上是“伪随机数”。计算机产生的每一个随机序列都需要一个输入信息作为随机种子，随机种子由用户事先设定，如果用户或第三方不设置随机种子，那么在默认情况下随机种子来自系统时钟。

       在random中设置随机数种子的方法是random.seed()，该方法为生成随机数提供输入信息，完全相同的种子产生的随机数列是相同的，如果不设置seed，随机种子则会来自系统时钟，故每次生成的都是不同的随机数。

import random #导入random模块
random.seed(1234)#设置种子
print(random.random()) #随机生成[0,1)之间的浮点值
random.seed(1234)
print(random.random())
print(random.random()) #未设置seed

通过最后输出的结果，我们可以验证同一种子下得到的随机数是一样的。

random模块中一个较有用的功能就是实值分布。我们可以使用random模块下的函数来生成服从特定函数分布的实值分布，下列表格给出了常见的函数：

print(random.random())
print(random.uniform(5,1))
print(random.normalvariate(5,1))
print(random.gauss(5,1))

得到：

为了加深对随机数的理解，我们最后来做两个关于随机数的小案例。

1.   随机生成4位数纯数字验证码

import random
check_code = ''  # 最终生成的验证码
for i in range(4):  # 4位长的纯数字验证码
      cur = random.randint(0, 9)
      check_code += str(cur)
print(check_code)

2.   使用random生成服从正态分布的随机数，并用图例来进行表示

import random
histogram = [0] * 20
for i in range(1000):
     i = int(random.normalvariate(5, 1) * 2)
     histogram[i] = histogram[i] + 1
m = max(histogram)
for v in histogram:
      print("#"*int(v*50/m))

在上面给出的示例代码中，我们生成1000个服从均值为5，方差为1的正态分布的随机数，并提供一个长度为20的列表histogram 作为计数列表，在对随机数取整后进行计数，最后画出higtogram的计数简图，如果你了解matplotlib库的绘图方法，我们可以将图片处理得更美观。

import matplotlib.pyplot as plt  
x = list(range(1,21))
plt.plot(x,histogram,color='red',linewidth=2.5,linestyle='-')

附录：random库函数速查一览

由于random库函数繁琐多样，小编在这里整理了一份random常用库函数速查速记手册，供大家使用时随时查询