random 是 Python 的一个常用的内置模块，模块提供了生成随机数的功能，包含了多种生成随机数的函数，比如生成随机整数、随机浮点数、从序列中随机选择元素等。

使用 random模块

要使用 random模块，直接导入它即可。

import random

以下是random模块提供的主要函数：

常用方法介绍：

1. random()

生成一个[0.0, 1.0)范围内的不包含整数1随机浮点数（大于等于0，小于1的小数）。

测试代码：

print(random.random())

执行后结果：

0.3336493107060039

如果想保留小数，可以用round函数或者decimal.Decimal函数

1）使用round函数保留几位小数，在round第2个参数中传入数字几，比如保留3位小数

print(round(random.random(),3))

2）使用Decimal函数，保留3位小数

from decimal import Decimal
print(Decimal(str(random.random())).quantize(Decimal('0.000')))

Decimal模块的用法可参见之前的文章：浮点数精度介绍

2. randint(a, b)

生成一个指定范围内的随机整数，包括a和b的值

测试代码：

print(random.randint(1，100))

多次执行后结果：

69

19

67

3 randrange(start, stop=None, step=1)

从指定的范围内返回一个随机整数,类似于range()函数。randint函数其实调用的也是该函数。

关于参数：

• 如果不传stop和step参数，start参数必须大于0，否则报错。此时会随机生成比start小的整数。
• 如果不传stop，传的step参数必须等于1，否则会报错。
• 如果传了stop和step参数，step不等于1时则随机生成一个start和stop之间步长为step的整数。step=1时生成在start和stop之间，并且小于stop的数（不同于randint函数）

具体的按照step计算方式参考源代码：

测试代码：

#随机生成1到1000步长为10的整数

print(random.randrange(1,1000,10))

#随机生成5到99之间的整数

print(random.randrange(5,100))

#随机生成小于100的整数

print(random.randrange(100))

4. choice(seq)

从非空序列seq中随机选取一个元素。seq是支持切片的对象，比如列表list，元组tuple，字符串str，字节串bytes等。

测试代码：

seq_list = [1,2,3]
print(random.choice(seq_list))

5 random.choices(population, weights=None, *, cum_weights=None, k=1)

从给定的序列中随机选择1个或者多个元素，返回的是列表list；我们可以指定每个元素被选中的概率，或者指定要选择的元素数量。该函数在Python 3.6及更高版本中才支持。

参数：

• population：一个支持切片的序列，用于从中随机选择元素。
• weights（可选）：一个序列，指定了population中每个元素被选中的相对概率；weights的长度需要等于population的长度；默认情况下，所有元素的选中概率是相等的。
• k（可选）：一个整数，指定要选择的元素数量。默认为1。K可以大于序列的长度。
• cum_weights（可选）：一个序列，用于指定累积权重。cum_weights的长度需要等于population的长度；如果提供了cum_weights，则不能传weights，否则报错；累积权重的值应该由小到大。

测试代码：

# 示例1：从列表中随机选择两个元素
print(random.choices(seq_list, k=2))

# 示例2：从列表中随机选择4个元素 元素会重复
print(random.choices(seq_list, k=6))

# 示例3：指定权重
weights = [1, 3, 1,1,1] # 数字2被选中的概率是其他数字的三倍
print(random.choices(seq_list, weights=weights, k=2))

# 示例4：使用累积权重 值由小到大
cum_weights = [3, 4, 5,10,20]
print(random.choices(seq_list, cum_weights=cum_weights, k=2))

# 示例5：使用累积权重 权重值由大到小
cum_weights = [20, 10, 5,3,1]
print(random.choices(seq_list, cum_weights=cum_weights, k=2))

结果：前4个每次执行结果可能不同,最后一个因为权重设置问题每次都是结果[1,1]

[4, 5]

[2, 3, 4, 3, 4, 2]

[2, 1]

[1, 5]

[1, 1]

6 shuffle(x，random=none)

用于打乱序列x的元素。函数会直接修改序列x，没有return。

参数：

• x ： 支持切片的序列
• random：默认为none，也可以传random.random函数。不过该参数从Python 3.9开始，将在后续版本中删除。

测试代码：

seq_list = [1,2,3,4,5]
random.shuffle(seq_list)
print(seq_list)

random.shuffle(seq_list,random.random)
print(seq_list)

结果：

[1, 3, 5, 4, 2]

[5, 2, 1, 4, 3]

7 sample(population, k,*,counts=None)

从指定的序列population中随机获取k个不重复的元素，并返回一个list。

参数：

• population：一个支持切片的序列，用于从中随机选择元素。
• k：一个整数，指定要选择的元素数量。K不能大于序列的长度。
• counts：可以指定序列population中元素重复的次数；传入的是一个数字元素的序列，序列长度跟population一致；数字越大，元素重复的次数变多，意味着被随机到的概率也会变大，也会返回相同的元素；如果不带这个参数，返回的元素不会重复。

举例：

seq_list = [1,2,3]
counts = [2,2,1]

上述seq_list 等同于[1,1,2,2,3], 第1个和第2个元素重复2次。

测试代码：

seq_list = [1,2,3,4,5]
#随机返回2个元素
print(random.sample(seq_list,2))

#每个元素重复2次，随机返回2个元素
print(random.sample(seq_list,2,counts=[2,2,2,2,2]))

8 randbytes(n)

随机生成n个字节的字节码。

测试代码：

print(random.randbytes(20)) #20个字节

结果：

b'\xff\x19\xb7*{\x88\x9d\xb5\xea-\x10\x1dA}\xa9\xce\xaf$\xf8\x0f'

9 getrandbits(k)

随机生成k个比特位bit（1个字节=8的比特位),返回一个在范围在[0, 2**k) 范围内的随机整数。上面的randbytes函数调用的就是该函数。

测试代码：

print(random.getrandbits(20))

结果： 每次执行结果不同

503161

10 seed(a=None,version=2)

设置a等于某个值时，确保每次运行程序时生成的随机数序列都是相同的。保持默认值，每次运行程序时生成的随机数序列可能会不同。

测试代码：

random.seed('a')
print(random.randbytes(20))
print(random.getrandbits(20))

每次执行后结果都一样

11 uniform(a,b)

生成一个在指定范围内[a, b]（包含a和b）的随机浮点数。a和b可以是整数或者浮点数。

测试代码：

print(random.uniform(0.1,10))

执行后返回的浮点数每次都不同

3.1062124017808896

12 其他几个函数

• normalvariate(mu,sigma): 返回一个符合正态分布（均值为mu，标准差为sigma）的随机浮点数。
• gauss (mu,sigma): 同normalvariate功能。
• triangular(low=0.0, high=1.0, mode=None): 返回一个生成三角形分布的随机数。
• lognormvariate(mu,sigma): 返回一个符合对数正态分布（均值为mu，标准差为sigma）的随机浮点数。
• expovariate(lambd)函数用于生成一个符合指数分布的随机浮点数。lambd必须是大于0的浮点数。
• vonmisesvariate(mu, kappa)函数用于生成一个符合冯·米塞斯（Von Mises）分布的随机浮点数。
• gammavariate(alpha, beta)函数用于生成一个符合伽马（Gamma）分布的随机浮点数。
• betavariate(alpha, beta)函数用于生成一个符合贝塔（Beta）分布的随机浮点数。
• paretovariate(alpha)函数用于生成一个符合帕累托（Pareto）分布的随机浮点数。
• paretovariate(alpha, beta)函数用于生成威布尔（Weibull）分布的随机数。

内容比较多，欢迎大家点赞收藏后学习。

共勉： 东汉·班固《汉书·枚乘传》：“泰山之管穿石，单极之绠断干。水非石之钻，索非木之锯，渐靡使之然也。”

-----指水滴不断地滴，可以滴穿石头；

-----比喻坚持不懈，集细微的力量也能成就难能的功劳。

----感谢读者的阅读和学习，谢谢大家。