這期內(nèi)容當(dāng)中小編將會給大家?guī)碛嘘P(guān)怎么使用Python random模塊，文章內(nèi)容豐富且以專業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

網(wǎng)頁設(shè)計是網(wǎng)站建設(shè)的前奏，好的網(wǎng)頁設(shè)計更深度的剖析產(chǎn)品和設(shè)計風(fēng)格定位，結(jié)合最新的網(wǎng)頁設(shè)計流行趨勢，與WVI應(yīng)用標(biāo)準(zhǔn)，設(shè)計出具企業(yè)表現(xiàn)力，大器而深穩(wěn)的網(wǎng)站界面設(shè)。成都創(chuàng)新互聯(lián)公司自2013年起,是成都網(wǎng)站建設(shè)公司:提供企業(yè)網(wǎng)站設(shè)計,成都品牌網(wǎng)站建設(shè),營銷型企業(yè)網(wǎng)站建設(shè)方案,成都響應(yīng)式網(wǎng)站建設(shè),微信小程序,專業(yè)建站公司做網(wǎng)站。

random 模塊主要包含生成偽隨機(jī)數(shù)的各種功能變量和函數(shù)。

在 Python 的交互式解釋器中先導(dǎo)入 random 模塊，然后輸入 random.__all__ 命令（__all__ 變量代表了該模塊開放的公開接口），即可看到該模塊所包含的全部屬性和函數(shù)：

>>> random.__all__
['Random', 'seed', 'random', 'uniform', 'randint', 'choice', 'sample', 'randrange', 'shuffle', 'normalvariate', 
'lognormvariate', 'expovariate', 'vonmisesvariate', 'gammavariate', 'triangular', 'gauss', 'betavariate', 
'paretovariate', 'weibullvariate', 'getstate', 'setstate', 'getrandbits', 'choices', 'SystemRandom']

在 random 模塊下提供了如下常用函數(shù)：

random.seed(a=None, version=2)：指定種子來初始化偽隨機(jī)數(shù)生成器。

random.randrange(start, stop[, stop])：返回從 start 開始到 stop 結(jié)束、步長為 step 的隨機(jī)數(shù)。其實就相當(dāng)于 choice(range(start, stop, step)) 的效果，只不過實際底層并不生成區(qū)間對象。

random.randint(a, b)：生成一個范圍為 a≤N≤b 的隨機(jī)數(shù)。其等同于 randrange(a, b+1) 的效果。

random.choice(seq)：從 seq 中隨機(jī)抽取一個元素，如果 seq 為空，則引發(fā) IndexError 異常。

random.choices(seq, weights=None, cum_weights=None, k=1)：從 seq 序列中抽取 k 個元素，還可通過 weights 指定各元素被抽取的權(quán)重（代表被抽取的可能性高低）。

random.shuffle(x[, random])：對 x 序列執(zhí)行洗牌“隨機(jī)排列”操作。

random.sample(population, k)：從 population 序列中隨機(jī)抽取 k 個獨立的元素。

random.random()：生成一個從0.0（包含）到 1.0（不包含）之間的偽隨機(jī)浮點數(shù)。

random.uniform(a, b)：生成一個范圍為 a≤N≤b 的隨機(jī)數(shù)。

random.expovariate(lambd)：生成呈指數(shù)分布的隨機(jī)數(shù)。其中 lambd 參數(shù)(其實應(yīng)該是 lambda，只是 lambda 是 Python 關(guān)鍵字，所以簡寫成 lambd）為 1 除以期望平均值。如果 lambd 是正值，則返回的隨機(jī)數(shù)是從 0 到正無窮大；如果 lambd 為負(fù)值，則返回的隨機(jī)數(shù)是從負(fù)無窮大到 0。

下面程序示范了 random 模塊中常見函數(shù)的功能和用法：

import random
#生成范圍為0.0≤x<1.0 的偽隨機(jī)浮點數(shù)
print (random.random())
#生成范圍為2.5≤x<10.0 的偽隨機(jī)浮點數(shù)
print (random.uniform(2.5, 10.0))
#生成呈指數(shù)分布的偽隨機(jī)浮點數(shù)
print (random.expovariate(1/5))
#生成從0 到9 的偽隨機(jī)整數(shù)
print(random.randrange(10))
#生成從0 到100 的隨機(jī)偶數(shù)
print (random.randrange(0, 101 , 2))
#隨機(jī)抽取一個元素
print (random.choice (['Python','Swift','Kotlin']))
book_list = ['Python','Swift','Kotlin']
#對列表元素進(jìn)行隨機(jī)排列
random.shuffle (book_list)
print (book_list)
#隨機(jī)抽取4 個獨立的元素
print (random.sample([10, 20 , 30 , 40 , 50], k=4))

運行上面程序，可以看到如下輸出結(jié)果：

0.7097266660597923
6.4845555071809535
9.707899380000603
2
70
Python
['Swift', 'Python', 'Kotlin']
[20, 10, 30, 50]

實際上，使用 random 模塊中的隨機(jī)函數(shù)可以做很多很有趣的事情。比如下面程序：

import random
import collections
#指定隨機(jī)抽取6 個元素，各元素被抽取的權(quán)重（概率）不同
print(random.choices(['Python','Swift','Kotlin'], [5, 5, 1], k=6))
#下面模擬從52 張撲克牌中抽取20 張
#在被拍到的20 張牌中，牌面為10（包括J、Q、K的的牌占多大比例
#生成一個16個tens（代表10）和36 個low_cards（代表其他牌）的集合
deck= collections.Counter(tens=16, low_cards=36)
#從52 張牌中隨機(jī)抽取20 張
seen= random.sample(list(deck.elements()), k=20)
#統(tǒng)計tens 元素有多少個，再除以20
print(seen.count('tens')/20)

運行上面程序，可以看到如下輸出結(jié)果：

['Swift', 'Swift', 'Swift', 'Swift', 'Python', 'Swift']
0.45

上述就是小編為大家分享的怎么使用Python random模塊了，如果剛好有類似的疑惑，不妨參照上述分析進(jìn)行理解。如果想知道更多相關(guān)知識，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。