Cần phải tạo ra các số ngẫu nhiên khi nghiên cứu mô hình hoặc hành vi của chương trình cho phạm vi giá trị khác nhau. Python có thể tạo ra các số ngẫu nhiên như vậy bằng cách sử dụng mô -đun ngẫu nhiên. Trong các ví dụ dưới đây, trước tiên chúng ta sẽ xem cách tạo một số ngẫu nhiên duy nhất và sau đó mở rộng nó để tạo danh sách các số ngẫu nhiên. Show
Tạo một số ngẫu nhiên duy nhấtPhương thức ngẫu nhiên () trong mô -đun ngẫu nhiên tạo ra số float trong khoảng từ 0 đến 1. Thí dụimport random n = random.random() print(n) Đầu raChạy mã trên cho chúng ta kết quả sau - 0.2112200 Tạo số trong một phạm viPhương thức randint () tạo ra một số nguyên giữa một phạm vi số nhất định. Thí dụimport random n = random.randint(0,22) print(n) Đầu raChạy mã trên cho chúng ta kết quả sau - 2 Tạo số trong một phạm viPhương thức randint () tạo ra một số nguyên giữa một phạm vi số nhất định. Thí dụimport random randomlist = [] for i in range(0,5): n = random.randint(1,30) randomlist.append(n) print(randomlist) Đầu raChạy mã trên cho chúng ta kết quả sau - [10, 5, 21, 1, 17] Tạo số trong một phạm viPhương thức randint () tạo ra một số nguyên giữa một phạm vi số nhất định. Thí dụimport random #Generate 5 random numbers between 10 and 30 randomlist = random.sample(range(10, 30), 5) print(randomlist) Đầu raChạy mã trên cho chúng ta kết quả sau - [16, 19, 13, 18, 15]
Tạo số trong một phạm vi
Mã nguồn: lib/ngẫu nhiên.py Lib/random.py Mô-đun này thực hiện các trình tạo số giả giả cho các phân phối khác nhau. Đối với số nguyên, có lựa chọn thống nhất từ một phạm vi. Đối với các chuỗi, có sự lựa chọn thống nhất của một phần tử ngẫu nhiên, một hàm để tạo ra một hoán vị ngẫu nhiên của một danh sách tại chỗ và một hàm để lấy mẫu ngẫu nhiên mà không cần thay thế. Trên dòng thực, có các hàm để tính toán đồng nhất, bình thường (Gaussian), phân phối theo cấp số nhân, gamma và beta âm. Để tạo phân phối các góc, phân phối von Mises có sẵn. Hầu như tất cả các hàm mô-đun phụ thuộc vào hàm cơ bản 0.21122006, tạo ra một phao ngẫu nhiên đồng đều trong phạm vi bán mở [0,0, 1.0). Python sử dụng Mersenne Twister làm trình tạo cốt lõi. Nó tạo ra phao chính xác 53 bit và có thời gian 2 ** 19937-1. Việc triển khai cơ bản trong C là cả nhanh và sleadSafe. Mersenne Twister là một trong những bộ tạo số ngẫu nhiên được thử nghiệm rộng rãi nhất đang tồn tại. Tuy nhiên, hoàn toàn quyết định, nó không phù hợp cho tất cả các mục đích và hoàn toàn không phù hợp cho mục đích mật mã. Các chức năng được cung cấp bởi mô -đun này thực sự là các phương thức ràng buộc của một trường hợp ẩn của lớp 0.21122007. Bạn có thể khởi tạo các trường hợp của riêng bạn là 0.21122008 để có được các trình tạo mà không chia sẻ trạng thái. Lớp 0.21122008 cũng có thể được phân nhóm nếu bạn muốn sử dụng một trình tạo cơ bản khác của sự phát minh của riêng bạn: trong trường hợp đó, ghi đè các phương thức 0.21122006, import random n = random.randint(0,22) print(n)1, import random n = random.randint(0,22) print(n)2 và import random n = random.randint(0,22) print(n)3. Tùy chọn, một trình tạo mới có thể cung cấp một phương thức import random n = random.randint(0,22) print(n)4 - điều này cho phép import random n = random.randint(0,22) print(n)5 tạo ra các lựa chọn trên một phạm vi lớn tùy ý. Mô -đun import random n = random.randint(0,22) print(n)6 cũng cung cấp lớp import random n = random.randint(0,22) print(n)7 sử dụng hàm hệ thống import random n = random.randint(0,22) print(n)8 để tạo số ngẫu nhiên từ các nguồn được cung cấp bởi hệ điều hành. Cảnh báo Không nên sử dụng các trình tạo giả ngẫu nhiên của mô-đun này cho mục đích bảo mật. Để sử dụng bảo mật hoặc sử dụng mật mã, hãy xem mô -đun import random n = random.randint(0,22) print(n)9. Xem thêm M. Matsumoto và T. Nishimura, Hồi Mersenne Twister: Một trình tạo số giả đồng nhất được phân phối đồng nhất 623 chiều, Giao dịch ACM về mô hình hóa và mô phỏng máy tính Vol. 8, Số 1, tháng 1 Trang 3 Điện30 1998. Công thức bổ sung-đa dạng-với-carry cho một trình tạo số ngẫu nhiên thay thế tương thích với một thời gian dài và các hoạt động cập nhật tương đối đơn giản. Chức năng kế toán________ 30 ________ 31 (a = none, phiên bản = 2) ¶(a=None, version=2)¶Khởi tạo trình tạo số ngẫu nhiên. Nếu A bị bỏ qua hoặc 22, thời gian hệ thống hiện tại được sử dụng. Nếu các nguồn ngẫu nhiên được cung cấp bởi hệ điều hành, chúng được sử dụng thay vì thời gian hệ thống (xem hàm import random n = random.randint(0,22) print(n)8 để biết chi tiết về tính khả dụng). Nếu A là INT, nó được sử dụng trực tiếp. Với phiên bản 2 (mặc định), đối tượng 24, 25 hoặc 26 được chuyển đổi thành 27 và tất cả các bit của nó được sử dụng. Với phiên bản 1 (được cung cấp để tái tạo các chuỗi ngẫu nhiên từ các phiên bản Python cũ hơn), thuật toán cho 24 và 25 tạo ra phạm vi hạt hẹp hơn. Đã thay đổi trong phiên bản 3.2: Đã chuyển sang sơ đồ phiên bản 2 sử dụng tất cả các bit trong hạt giống.Moved to the version 2 scheme which uses all of the bits in a string seed. Đã không dùng từ phiên bản 3.9: Trong tương lai, hạt giống phải là một trong các loại sau: Nonetype, 27, import random randomlist = [] for i in range(0,5): n = random.randint(1,30) randomlist.append(n) print(randomlist)1, 24, 25, or 26. ________ 30 ________ 46 ()()¶ Trả về một đối tượng chụp trạng thái bên trong hiện tại của trình tạo. Đối tượng này có thể được chuyển sang import random n = random.randint(0,22) print(n)3 để khôi phục trạng thái. ________ 30 ________ 49 (Bang) ¶(state)¶ Nhà nước đáng lẽ phải được lấy từ một cuộc gọi trước đó đến import random n = random.randint(0,22) print(n)2 và import random n = random.randint(0,22) print(n)3 khôi phục trạng thái bên trong của trình tạo về những gì nó đã được gọi là import random n = random.randint(0,22) print(n)2 được gọi. Chức năng cho byte¶________ 30 ________ 54 (n)(n)¶Tạo n ngẫu nhiên byte. Phương pháp này không nên được sử dụng để tạo mã thông báo bảo mật. Sử dụng [10, 5, 21, 1, 17]5 thay thế. Mới trong phiên bản 3.9. Chức năng cho số nguyên________ 30 ________ 57 (dừng) ____ ____ 30 ________ 57 (bắt đầu, dừng [, bước])(stop)¶20 [10, 5, 21, 1, 17]7(start, stop[, step]) Trả về một phần tử được chọn ngẫu nhiên từ import random #Generate 5 random numbers between 10 and 30 randomlist = random.sample(range(10, 30), 5) print(randomlist)0. Điều này tương đương với import random #Generate 5 random numbers between 10 and 30 randomlist = random.sample(range(10, 30), 5) print(randomlist)1, nhưng không thực sự xây dựng một đối tượng phạm vi. Các mẫu đối số vị trí phù hợp với import random #Generate 5 random numbers between 10 and 30 randomlist = random.sample(range(10, 30), 5) print(randomlist)2. Không nên sử dụng đối số từ khóa vì hàm có thể sử dụng chúng theo những cách không mong muốn. Đã thay đổi trong phiên bản 3.2: import random n = random.randint(0,22) print(n)5 is more sophisticated about producing equally distributed values. Formerly it used a style like import random #Generate 5 random numbers between 10 and 30 randomlist = random.sample(range(10, 30), 5) print(randomlist)4 which could produce slightly uneven distributions. Không dùng nữa kể từ phiên bản 3.10: Chuyển đổi tự động các loại không nguyên thành các số nguyên tương đương được không dùng nữa. Hiện tại import random #Generate 5 random numbers between 10 and 30 randomlist = random.sample(range(10, 30), 5) print(randomlist)5 is losslessly converted to import random #Generate 5 random numbers between 10 and 30 randomlist = random.sample(range(10, 30), 5) print(randomlist)6. In the future, this will raise a import random #Generate 5 random numbers between 10 and 30 randomlist = random.sample(range(10, 30), 5) print(randomlist)7. Không dùng nữa kể từ phiên bản 3.10: Ngoại lệ được nâng lên đối với các giá trị không tích hợp như import random #Generate 5 random numbers between 10 and 30 randomlist = random.sample(range(10, 30), 5) print(randomlist)8 or import random #Generate 5 random numbers between 10 and 30 randomlist = random.sample(range(10, 30), 5) print(randomlist)9 will be changed from [16, 19, 13, 18, 15]0 to import random #Generate 5 random numbers between 10 and 30 randomlist = random.sample(range(10, 30), 5) print(randomlist)7. ________ 30 ________ 73 (a, b) ¶(a, b)¶ Trả về một số nguyên ngẫu nhiên n sao cho [16, 19, 13, 18, 15]4. Bí danh cho [16, 19, 13, 18, 15]5. ________ 30 ________ 77 (k)(k)¶ Trả về một số nguyên python không âm với K BIT ngẫu nhiên. Phương pháp này được cung cấp với Trình tạo Mersennetwister và một số trình tạo khác cũng có thể cung cấp nó như một phần tùy chọn của API. Khi có sẵn, import random n = random.randint(0,22) print(n)4 cho phép import random n = random.randint(0,22) print(n)5 xử lý các phạm vi lớn tùy ý. Đã thay đổi trong phiên bản 3.9: Phương pháp này hiện không chấp nhận số 0 cho k.This method now accepts zero for k. Chức năng cho trình tự lor________ 30 ________ 81 (SEQ) ¶(seq)¶Trả về một phần tử ngẫu nhiên từ chuỗi không trống seq. Nếu SEQ trống, tăng x ** (alpha - 1) * math.exp(-x / beta) pdf(x) = -------------------------------------- math.gamma(alpha) * beta ** alpha2. ________ 30 ________ 84 (dân số, trọng lượng = không, *, cum_weights = none, k = 1) ¶(population, weights=None, *, cum_weights=None, k=1)¶ Trả lại một danh sách kích thước k các yếu tố được chọn từ dân số với sự thay thế. Nếu dân số trống, tăng x ** (alpha - 1) * math.exp(-x / beta) pdf(x) = -------------------------------------- math.gamma(alpha) * beta ** alpha2. Nếu một chuỗi trọng số được chỉ định, các lựa chọn được thực hiện theo các trọng số tương đối. Ngoài ra, nếu một chuỗi cum_weights được đưa ra, các lựa chọn được thực hiện theo các trọng số tích lũy (có thể được tính toán bằng x ** (alpha - 1) * math.exp(-x / beta) pdf(x) = -------------------------------------- math.gamma(alpha) * beta ** alpha6). Ví dụ, trọng số tương đối x ** (alpha - 1) * math.exp(-x / beta) pdf(x) = -------------------------------------- math.gamma(alpha) * beta ** alpha7 tương đương với trọng số tích lũy x ** (alpha - 1) * math.exp(-x / beta) pdf(x) = -------------------------------------- math.gamma(alpha) * beta ** alpha8. Trong nội bộ, các trọng số tương đối được chuyển đổi thành trọng số tích lũy trước khi thực hiện các lựa chọn, do đó, việc cung cấp các trọng số tích lũy tiết kiệm công việc. Nếu không có trọng số và không được chỉ định, các lựa chọn được thực hiện với xác suất bằng nhau. Nếu một chuỗi trọng số được cung cấp, nó phải có cùng chiều dài với trình tự dân số. Đó là một import random #Generate 5 random numbers between 10 and 30 randomlist = random.sample(range(10, 30), 5) print(randomlist)7 để chỉ định cả trọng số và cum_ weights. Trọng lượng hoặc cum_ weights có thể sử dụng bất kỳ loại số nào tương tác với các giá trị import random randomlist = [] for i in range(0,5): n = random.randint(1,30) randomlist.append(n) print(randomlist)1 được trả về bởi 0.21122006 (bao gồm số nguyên, phao và phân số nhưng không bao gồm số thập phân). Trọng lượng được coi là không âm và hữu hạn. Một [16, 19, 13, 18, 15]0 được nâng lên nếu tất cả các trọng số bằng không. Đối với một hạt giống nhất định, hàm >>> random() # Random float: 0.0 <= x < 1.0 0.37444887175646646 >>> uniform(2.5, 10.0) # Random float: 2.5 <= x <= 10.0 3.1800146073117523 >>> expovariate(1 / 5) # Interval between arrivals averaging 5 seconds 5.148957571865031 >>> randrange(10) # Integer from 0 to 9 inclusive 7 >>> randrange(0, 101, 2) # Even integer from 0 to 100 inclusive 26 >>> choice(['win', 'lose', 'draw']) # Single random element from a sequence 'draw' >>> deck = 'ace two three four'.split() >>> shuffle(deck) # Shuffle a list >>> deck ['four', 'two', 'ace', 'three'] >>> sample([10, 20, 30, 40, 50], k=4) # Four samples without replacement [40, 10, 50, 30]3 có trọng số bằng nhau thường tạo ra một chuỗi khác với các cuộc gọi lặp lại đến >>> random() # Random float: 0.0 <= x < 1.0 0.37444887175646646 >>> uniform(2.5, 10.0) # Random float: 2.5 <= x <= 10.0 3.1800146073117523 >>> expovariate(1 / 5) # Interval between arrivals averaging 5 seconds 5.148957571865031 >>> randrange(10) # Integer from 0 to 9 inclusive 7 >>> randrange(0, 101, 2) # Even integer from 0 to 100 inclusive 26 >>> choice(['win', 'lose', 'draw']) # Single random element from a sequence 'draw' >>> deck = 'ace two three four'.split() >>> shuffle(deck) # Shuffle a list >>> deck ['four', 'two', 'ace', 'three'] >>> sample([10, 20, 30, 40, 50], k=4) # Four samples without replacement [40, 10, 50, 30]4. Thuật toán được sử dụng bởi >>> random() # Random float: 0.0 <= x < 1.0 0.37444887175646646 >>> uniform(2.5, 10.0) # Random float: 2.5 <= x <= 10.0 3.1800146073117523 >>> expovariate(1 / 5) # Interval between arrivals averaging 5 seconds 5.148957571865031 >>> randrange(10) # Integer from 0 to 9 inclusive 7 >>> randrange(0, 101, 2) # Even integer from 0 to 100 inclusive 26 >>> choice(['win', 'lose', 'draw']) # Single random element from a sequence 'draw' >>> deck = 'ace two three four'.split() >>> shuffle(deck) # Shuffle a list >>> deck ['four', 'two', 'ace', 'three'] >>> sample([10, 20, 30, 40, 50], k=4) # Four samples without replacement [40, 10, 50, 30]3 sử dụng số học điểm nổi cho tính nhất quán và tốc độ bên trong. Thuật toán được sử dụng bởi >>> random() # Random float: 0.0 <= x < 1.0 0.37444887175646646 >>> uniform(2.5, 10.0) # Random float: 2.5 <= x <= 10.0 3.1800146073117523 >>> expovariate(1 / 5) # Interval between arrivals averaging 5 seconds 5.148957571865031 >>> randrange(10) # Integer from 0 to 9 inclusive 7 >>> randrange(0, 101, 2) # Even integer from 0 to 100 inclusive 26 >>> choice(['win', 'lose', 'draw']) # Single random element from a sequence 'draw' >>> deck = 'ace two three four'.split() >>> shuffle(deck) # Shuffle a list >>> deck ['four', 'two', 'ace', 'three'] >>> sample([10, 20, 30, 40, 50], k=4) # Four samples without replacement [40, 10, 50, 30]4 mặc định cho số học số nguyên với các lựa chọn lặp đi lặp lại để tránh các độ lệch nhỏ khỏi lỗi làm tròn. Mới trong phiên bản 3.6. Đã thay đổi trong phiên bản 3.9: tăng [16, 19, 13, 18, 15]0 if all weights are zero. ________ 30 ________ 99 (x [, ngẫu nhiên]) ¶(x[, random])¶ Xáo trộn chuỗi x tại chỗ. Đối số tùy chọn ngẫu nhiên là một hàm 0 đối tượng trả về một bản nổi ngẫu nhiên trong [0,0, 1.0); Theo mặc định, đây là hàm 0.21122006. Để xáo trộn một chuỗi bất biến và trả lại một danh sách được xáo trộn mới, hãy sử dụng 0.211220001 thay thế. Lưu ý rằng ngay cả đối với 0.211220002 nhỏ, tổng số hoán vị của X có thể nhanh chóng phát triển lớn hơn thời gian của hầu hết các máy phát số ngẫu nhiên. Điều này ngụ ý rằng hầu hết các hoán vị của một chuỗi dài không bao giờ có thể được tạo ra. Ví dụ, một chuỗi độ dài 2080 là lớn nhất có thể phù hợp trong khoảng thời gian của bộ tạo số ngẫu nhiên Mersenne Twister. Không dùng nữa kể từ phiên bản 3.9, sẽ bị xóa trong phiên bản 3.11: Tham số tùy chọn ngẫu nhiên.The optional parameter random. ________ 30 ________ 104 (Dân số, K, *, đếm = Không) ¶(population, k, *, counts=None)¶Trả về một danh sách chiều dài k của các yếu tố duy nhất được chọn từ trình tự hoặc bộ dân số. Được sử dụng để lấy mẫu ngẫu nhiên mà không cần thay thế. Trả về một danh sách mới chứa các yếu tố từ dân số trong khi để lại dân số ban đầu không thay đổi. Danh sách kết quả theo thứ tự lựa chọn để tất cả các lớp phụ cũng sẽ là các mẫu ngẫu nhiên hợp lệ. Điều này cho phép người chiến thắng xổ số (mẫu) được phân chia thành giải thưởng lớn và người chiến thắng vị trí thứ hai (các phụ). Các thành viên của dân số không cần phải có thể băm hoặc duy nhất. Nếu dân số chứa lặp lại, thì mỗi lần xuất hiện là một lựa chọn có thể trong mẫu.hashable or unique. If the population contains repeats, then each occurrence is a possible selection in the sample. Các phần tử lặp lại có thể được chỉ định một lần hoặc với tham số số lượng từ khóa chỉ tùy chọn. Ví dụ, 0.211220005 tương đương với 0.211220006. Để chọn một mẫu từ một loạt các số nguyên, hãy sử dụng đối tượng import random #Generate 5 random numbers between 10 and 30 randomlist = random.sample(range(10, 30), 5) print(randomlist)2 làm đối số. Điều này đặc biệt nhanh chóng và hiệu quả không gian để lấy mẫu từ một dân số lớn: 0.211220008. Nếu kích thước mẫu lớn hơn kích thước dân số, A [16, 19, 13, 18, 15]0 sẽ được nâng lên. Đã thay đổi trong phiên bản 3.9: Đã thêm tham số Counts.Added the counts parameter. Khấu dùng kể từ phiên bản 3.9: Trong tương lai, dân số phải là một chuỗi. Các trường hợp 0.211220010 are no longer supported. The set must first be converted to a 0.211220011 or 0.211220012, preferably in a deterministic order so that the sample is reproducible. Phân phối có giá trị thựcCác chức năng sau đây tạo ra các phân phối có giá trị thực cụ thể. Các tham số chức năng được đặt tên theo các biến tương ứng trong phương trình phân phối, như được sử dụng trong thực tiễn toán học thông thường; Hầu hết các phương trình này có thể được tìm thấy trong bất kỳ văn bản thống kê. ________ 30 ________ 114 ()()¶Trả về số điểm nổi ngẫu nhiên tiếp theo trong phạm vi [0,0, 1.0). ________ 30 ________ 116 (a, b) ¶(a, b)¶Trả về số điểm nổi ngẫu nhiên n sao cho [16, 19, 13, 18, 15]4 cho 0.211220018 và 0.211220019 cho 0.211220020. Giá trị điểm cuối 0.211220021 có thể hoặc không được đưa vào phạm vi tùy thuộc vào việc làm tròn điểm nổi trong phương trình 0.211220022. ________ 30 ________ 124 (Chế độ thấp, cao, cao) ¶(low, high, mode)¶ Trả về một số điểm nổi ngẫu nhiên n sao cho 0.211220025 và với chế độ được chỉ định giữa các giới hạn đó. Giới hạn thấp và cao mặc định là 0 và một. Đối số chế độ mặc định đến điểm giữa giữa các giới hạn, đưa ra phân phối đối xứng. ________ 30 ________ 127 (Alpha, Beta) ¶(alpha, beta)¶ Phân phối beta. Điều kiện trên các tham số là 0.211220028 và 0.211220029. Giá trị trả về nằm trong khoảng từ 0 đến 1. ________ 30 ________ 131 (Lambd) ¶(lambd)¶ Phân phối theo cấp số nhân. Lambd là 1,0 chia cho giá trị trung bình mong muốn. Nó nên là khác nhau. . ________ 30 ________ 133 (Alpha, Beta) ¶(alpha, beta)¶Phân phối Gamma. (Không phải hàm gamma!) Điều kiện trên các tham số là 0.211220028 và 0.211220029. Hàm phân phối xác suất là: x ** (alpha - 1) * math.exp(-x / beta) pdf(x) = -------------------------------------- math.gamma(alpha) * beta ** alpha________ 30 ________ 137 (MU, Sigma) ¶(mu, sigma)¶ Phân phối bình thường, còn được gọi là phân phối Gaussian. MU là trung bình, và Sigma là độ lệch chuẩn. Điều này nhanh hơn một chút so với hàm 0.211220038 được xác định dưới đây. Lưu ý đa luồng: Khi hai luồng gọi chức năng này đồng thời, có thể họ sẽ nhận được cùng một giá trị trả về. Điều này có thể tránh được theo ba cách. 1) Có mỗi luồng sử dụng một thể hiện khác nhau của trình tạo số ngẫu nhiên. 2) Đặt khóa xung quanh tất cả các cuộc gọi. 3) Sử dụng chức năng chậm hơn, nhưng an toàn cho luồng 0.211220038. ________ 30 ________ 141 (MU, Sigma) ¶(mu, sigma)¶ Phân phối lognormal. Nếu bạn lấy logarit tự nhiên của phân phối này, bạn sẽ nhận được một phân phối bình thường với MU trung bình và độ lệch chuẩn. MU có thể có bất kỳ giá trị nào, và Sigma phải lớn hơn 0. ________ 30 ________ 143 (MU, Sigma) ¶(mu, sigma)¶Phân phối bình thường. MU là trung bình, và Sigma là độ lệch chuẩn. ________ 30 ________ 145 (MU, Kappa) ¶(mu, kappa)¶MU là góc trung bình, được biểu thị bằng radian trong khoảng từ 0 đến 2*pi và kappa là tham số nồng độ, phải lớn hơn hoặc bằng không. Nếu kappa bằng 0, phân phối này sẽ giảm xuống góc ngẫu nhiên đồng đều trong phạm vi 0 đến 2*pi. ________ 30 ________ 147 (Alpha) ¶(alpha)¶Phân phối Pareto. Alpha là tham số hình dạng. ________ 30 ________ 149 (Alpha, Beta) ¶(alpha, beta)¶Phân phối Weibull. Alpha là tham số tỷ lệ và beta là tham số hình dạng. Máy phát điện thay thếLớp ________ 30 ________ 151 ([hạt giống]) ¶([seed])¶Lớp thực hiện trình tạo số giả ngẫu nhiên mặc định được sử dụng bởi mô-đun import random n = random.randint(0,22) print(n)6. Đã không dùng nữa kể từ phiên bản 3.9: Trong tương lai, hạt giống phải là một trong các loại sau: 0.211220053, 27, import random randomlist = [] for i in range(0,5): n = random.randint(1,30) randomlist.append(n) print(randomlist)1, 24, 25, or 26. Lớp ________ 30 ________ 160 ([Hạt]) ¶([seed])¶ Lớp sử dụng hàm import random n = random.randint(0,22) print(n)8 để tạo số ngẫu nhiên từ các nguồn được cung cấp bởi hệ điều hành. Không có sẵn trên tất cả các hệ thống. Không dựa vào trạng thái phần mềm và các chuỗi không thể tái sản xuất. Theo đó, phương pháp import random n = random.randint(0,22) print(n)1 không có hiệu lực và bị bỏ qua. Các phương pháp import random n = random.randint(0,22) print(n)2 và import random n = random.randint(0,22) print(n)3 tăng 0.211220065 nếu được gọi. Ghi chú về khả năng tái sản xuấtĐôi khi rất hữu ích để có thể tái tạo các chuỗi được đưa ra bởi một trình tạo số giả giả. Bằng cách sử dụng lại giá trị hạt giống, chuỗi tương tự phải được tái tạo từ chạy để chạy miễn là nhiều luồng không chạy. Hầu hết các thuật toán và chức năng gieo hạt ngẫu nhiên đều có thể thay đổi trên các phiên bản Python, nhưng hai khía cạnh được đảm bảo không thay đổi:
Ví dụ;Ví dụ cơ bản: >>> random() # Random float: 0.0 <= x < 1.0 0.37444887175646646 >>> uniform(2.5, 10.0) # Random float: 2.5 <= x <= 10.0 3.1800146073117523 >>> expovariate(1 / 5) # Interval between arrivals averaging 5 seconds 5.148957571865031 >>> randrange(10) # Integer from 0 to 9 inclusive 7 >>> randrange(0, 101, 2) # Even integer from 0 to 100 inclusive 26 >>> choice(['win', 'lose', 'draw']) # Single random element from a sequence 'draw' >>> deck = 'ace two three four'.split() >>> shuffle(deck) # Shuffle a list >>> deck ['four', 'two', 'ace', 'three'] >>> sample([10, 20, 30, 40, 50], k=4) # Four samples without replacement [40, 10, 50, 30] Simulations: 0.21122000 Ví dụ về bootstrapping thống kê bằng cách sử dụng thay thế với sự thay thế để ước tính khoảng tin cậy cho giá trị trung bình của một mẫu: 0.21122001 Ví dụ về thử nghiệm hoán vị lấy mẫu để xác định ý nghĩa thống kê hoặc giá trị p của sự khác biệt quan sát được giữa các tác dụng của thuốc so với giả dược: 0.21122002 Mô phỏng thời gian đến và giao hàng dịch vụ cho hàng đợi Multiserver: 0.21122003 Xem thêm Thống kê cho tin tặc Hướng dẫn video của Jake Vanderplas về phân tích thống kê chỉ bằng một vài khái niệm cơ bản bao gồm mô phỏng, lấy mẫu, xáo trộn và xác thực chéo. Mô phỏng kinh tế Một mô phỏng thị trường của Peter Norvig cho thấy việc sử dụng hiệu quả nhiều công cụ và phân phối được cung cấp bởi mô -đun này (Gauss, đồng phục, mẫu, betavariate, lựa chọn, hình tam giác và randrange). Giới thiệu cụ thể về xác suất (sử dụng Python) Hướng dẫn của Peter Norvig bao gồm những điều cơ bản của lý thuyết xác suất, cách viết mô phỏng và cách thực hiện phân tích dữ liệu bằng Python. Công thức nấu ăn¶0.21122006 mặc định trả về bội số 2⁻⁵³ trong phạm vi 0,0 ≤ x <1.0. Tất cả những con số như vậy đều có khoảng cách đồng đều và có thể thể hiện chính xác như những chiếc phao python. Tuy nhiên, nhiều chiếc phao có thể đại diện khác trong khoảng đó là không thể lựa chọn. Ví dụ, 0.211220068 là một số nguyên của 2⁻⁵³. Các công thức sau đây có một cách tiếp cận khác nhau. Tất cả các phao trong khoảng là các lựa chọn có thể. Mantissa đến từ sự phân bố đồng đều của các số nguyên trong phạm vi 2⁵² ≤ mantissa <2⁵³. Số mũ đến từ một phân phối hình học trong đó số mũ nhỏ hơn -53 xảy ra một nửa thường xuyên so với số mũ lớn hơn tiếp theo. 0.21122004 Tất cả các phân phối có giá trị thực trong lớp sẽ sử dụng phương thức mới:real valued distributions in the class will use the new method: 0.21122005 Công thức tương đương về mặt khái niệm với một thuật toán chọn từ tất cả các bội số của 2⁻⁻ trong phạm vi 0,0 x <1.0. Tất cả những con số như vậy đều cách đều nhau, nhưng hầu hết phải được làm tròn xuống phao python có thể đại diện gần nhất. (Giá trị 2⁻⁻ là phao không định kỳ dương nhỏ nhất và bằng 0.211220069.) Làm thế nào để bạn tạo ra các số ngẫu nhiên?Thuật toán ví dụ cho trình tạo số giả ngẫu nhiên.. Chấp nhận một số số đầu vào ban đầu, đó là hạt giống hoặc khóa .. Áp dụng hạt giống đó theo một chuỗi các hoạt động toán học để tạo ra kết quả..... Sử dụng số ngẫu nhiên kết quả đó làm hạt giống cho lần lặp tiếp theo .. Lặp lại quá trình để mô phỏng sự ngẫu nhiên .. Python có trình tạo số ngẫu nhiên không?Hầu như tất cả các hàm mô-đun phụ thuộc vào hàm cơ bản ngẫu nhiên (), tạo ra một phao ngẫu nhiên đồng đều trong phạm vi bán mở [0,0, 1.0).Python sử dụng Mersenne Twister làm trình tạo cốt lõi. |