Python 随机数生成（超详细）

💡一则或许对你有用的小广告

欢迎加入小哈的星球 ，你将获得：专属的项目实战 / 1v1 提问 / Java 学习路线 / 学习打卡 / 每月赠书 / 社群讨论

• 新项目:《从零手撸：仿小红书（微服务架构）》 正在持续爆肝中，基于 Spring Cloud Alibaba + Spring Boot 3.x + JDK 17...，点击查看项目介绍 ;
• 《从零手撸：前后端分离博客项目（全栈开发）》 2 期已完结，演示链接： http://116.62.199.48/ ;

截止目前， 星球 内专栏累计输出 82w+ 字，讲解图 3441+ 张，还在持续爆肝中.. 后续还会上新更多项目，目标是将 Java 领域典型的项目都整一波，如秒杀系统, 在线商城, IM 即时通讯，权限管理，Spring Cloud Alibaba 微服务等等，已有 2900+ 小伙伴加入学习 ，欢迎点击围观

在编程领域，随机数生成是一项基础但至关重要的技术。无论是游戏开发中的道具掉落、数据分析中的抽样操作，还是密码学中的密钥生成，都离不开对随机性的精准控制。Python 作为一门简洁高效的编程语言，提供了多种实现随机数生成的方法，能够满足从简单需求到复杂场景的多样化需求。本文将从基础概念出发，逐步深入讲解 Python 中的随机数生成技术，并通过实际案例帮助读者掌握其核心原理与应用场景。

一、随机数生成的基础概念

什么是随机数？

随机数是指在给定范围内随机选择的数值，其核心特征是“不可预测性”和“无规律性”。但在计算机领域，由于算法的局限性，大多数随机数生成器实际生成的是“伪随机数”，即通过特定算法模拟出的随机效果。例如，可以将伪随机数理解为一个“有规律的魔术表演”——虽然观众看到的是随机变化的魔术动作，但背后其实遵循着预设的规则。

为什么需要随机数生成？

• 模拟现实场景：例如模拟天气变化、用户行为分析等；
• 算法优化：如机器学习中的随机森林、遗传算法等依赖随机性；
• 安全加密：密钥生成、验证码设计等场景需要高质量的随机性保障。

二、Python 的随机数生成模块：random 模块详解

Python 内置的 random 模块是随机数生成的入门工具，适合大多数非加密场景的需求。

1. 基础函数与用法

(1) 生成均匀分布的随机数

import random  

random_float = random.random()  
print("随机浮点数:", random_float)  

random_int = random.randint(1, 10)  # 包含 10  
print("随机整数:", random_int)  

关键点：randint(a, b) 的上限 b 是包含的，而 random() 的结果范围是 [0.0, 1.0)。

(2) 随机选择与排列

my_list = [10, 20, 30, 40, 50]  

selected = random.choice(my_list)  
print("随机选择:", selected)  

random.shuffle(my_list)  
print("打乱后的列表:", my_list)  

比喻：shuffle() 就像把一副牌洗一遍，但每次洗牌的结果都由“洗牌算法”决定。

2. 伪随机数的“种子”控制

伪随机数的“随机性”其实依赖于一个初始值——“种子”（seed）。通过设置相同的种子，可以保证每次运行代码时生成的随机数序列一致。

random.seed(42)  # 固定种子为 42  
print(random.randint(1, 100))  # 输出结果始终相同  

应用场景：在数据分析或机器学习中，设置固定种子可以确保实验结果的可复现性。

3. 非均匀分布的随机数生成

除了均匀分布外，random 模块还支持多种统计分布的随机数生成，例如正态分布、指数分布等。

normal_num = random.gauss(0, 1)  
print("正态分布随机数:", normal_num)  

exp_num = random.expovariate(1)  
print("指数分布随机数:", exp_num)  

三、进阶：numpy 模块与高性能随机数生成

对于需要处理大规模数据或复杂分布的场景，numpy 模块提供了更高效、更灵活的随机数生成能力。

1. numpy 的核心优势

• 向量化运算：直接生成数组或矩阵形式的随机数据；
• 支持多种分布：如泊松分布、伽马分布、多维正态分布等；
• 并行计算优化：适合高性能计算场景。

2. 常用函数示例

import numpy as np  

arr_uniform = np.random.rand(3, 3)  
print("均匀分布数组:\n", arr_uniform)  

samples = np.random.normal(loc=0, scale=1, size=1000)  
print("前 5 个正态分布样本:", samples[:5])  

3. 自定义随机种子与分布参数

np.random.seed(42)  # numpy 的种子设置方式  

poisson_data = np.random.poisson(lam=3, size=5)  
print("泊松分布数据:", poisson_data)  

四、安全场景：secrets 模块与加密级随机数

当需要生成密码、验证码或敏感密钥时，random 模块的安全性可能不足。此时应使用 secrets 模块，它基于操作系统提供的加密安全随机源。

1. secrets 模块的核心函数

import secrets  

secure_key = secrets.token_hex(10)  
print("安全密钥:", secure_key)  

secure_int = secrets.randbelow(100000)  
print("安全整数:", secure_int)  

2. 与 random 模块的关键区别

五、实际案例：掷骰子游戏的实现

案例需求

模拟一个六面骰子的投掷过程，要求：

1. 每次投掷返回 1-6 的随机整数；
2. 可通过种子复现特定结果；
3. 统计 1000 次投掷后各点数的出现频率。

实现代码

import random  

def roll_dice(seed=None):  
    if seed is not None:  
        random.seed(seed)  
    return random.randint(1, 6)  

def main():  
    # 固定种子以保证可复现  
    random.seed(42)  

    results = []  
    for _ in range(1000):  
        results.append(roll_dice())  

    # 统计频率  
    frequency = {i: results.count(i) for i in range(1, 7)}  
    print("各点数出现次数:", frequency)  

if __name__ == "__main__":  
    main()  

输出示例

各点数出现次数: {1: 165, 2: 178, 3: 152, 4: 167, 5: 169, 6: 169}  

六、常见问题与最佳实践

1. 为什么随机数看起来不随机？

• 伪随机数的局限性：由于算法的确定性，伪随机数在足够大的样本量下仍会呈现统计规律；
• 分布选择不当：例如，使用 randint() 生成大量数值时，需确保分布均匀。

2. 如何避免随机数重复？

• 在需要唯一标识的场景（如验证码），应结合时间戳或唯一 ID；
• 使用加密安全模块（如 secrets）生成关键数据。

3. 性能优化建议

• 对于大规模随机数生成，优先使用 numpy 的向量化函数；
• 避免在循环中频繁调用 random()，可预先生成批次数据。

七、结论

Python 提供了从基础到高级的随机数生成工具链，开发者需根据具体需求选择合适的模块：

• 日常开发：random 模块足够应对大多数场景；
• 科学计算：numpy 提供高性能和多样化的分布支持；
• 安全场景：secrets 是加密数据的唯一选择。

通过合理设置种子、理解分布特性并结合实际案例，读者可以掌握 Python 随机数生成的核心技巧，为后续的算法设计、数据分析和应用开发奠定基础。