目錄
2.2 random.seed() —— 記錄與復現 (隨機數種子)
2.3 random.randrange() / random.randint() —— 指定範圍內生成僞隨機數
2.4 random.choice() / random.choices() —— 對序列隨機抽樣
2.5 random.shuffle() —— 隨機打亂序列順序
2.6 random.sample() —— 對序列無重複隨機抽樣
一、緒論
給定相同的輸入，大多數計算機程序每次都會生成相同的輸出，它們因此被稱作確定性的。然而，有時候我們並不需要這樣的確定性，而是希望得到不可預知的隨機結果。讓程序具備真正意義上的非確定性並不容易，但還是是有辦法使它至少看起來是不確定的。 其中之一是使用生成僞隨機數 (pseudorandom) 的算法。僞隨機數不是真正的隨機數， 因爲它們由一個確定性的計算生成，但是僅看其生成的數字，不可能將它們和隨機生成的相區分開。
random 模塊，顧名思義是與隨機數操作相關的模塊，它實現了各種分佈的僞隨機數生成器。但因爲結果的完全確定性，它不適用於所有情況，特別是完全不適用於加密。以下將介紹一些常用功能。
二、說明
2.1 random.random() —— 獲取僞隨機數
random.random() 方法無需參數，調用後直接返回一個 [0.0, 1.0) 範圍內的 float 型僞隨機數，例如：
import random # 導入 random 模塊
>>> random.random() # 獲取一個僞隨機數
0.3927174258393834
>>> random.random() # 再獲取一個僞隨機數
0.5254320253344416
2.2 random.seed() —— 記錄與復現 (隨機數種子)
random.seed(a=None) 方法用於初始化隨機數生成器，即生成或改變“隨機數種子”。
若參數 a 被省略或爲 None，則使用當前系統時間；若操作系統提供隨機源，則使用操作系統隨機源。
若參數 a 是 int 型數字，則直接使用。(現在 a 也可以是 float、string、bytes 等類型)
調用 random.random() 生成僞隨機數時，每次生成的數都是隨機的。但若預先調用 random.seed(a) 設好隨機數種子後，再用 random.random() 將得到同一個僞隨機數，從而確保“可復現”。例如：
>>> random.random() # 不使用隨機數種子, 獲取未知隨機數
0.9871512831697422
>>> random.random() # 不使用隨機數種子, 獲取未知隨機數
0.1582084156493
>>> random.seed(1) # 設置一個隨機數種子 1
>>> random.random() # 獲取隨機數種子 1 的已知隨機數
0.13436424411240122
>>> random.random() # 不使用隨機數種子, 仍獲取未知隨機數
0.8474337369372327
>>> random.seed(1) # 再使用設好的隨機數種子 1, 得到已知隨機數
>>> random.random()
0.13436424411240122
上述用法顯而易見，當然，還存在一些不常見的用法：
>>> random.seed('s') # 使用 string 設置 seed
>>> random.random()
0.47702766547742415
>>> random.seed(b'ss') # 使用 bytes 設置 seed
>>> random.random()
0.8708725367892596
>>> random.seed(1.2) # 使用 float 設置 seed
>>> random.random()
0.24751702373640583
>>> random.seed('s') # string 型復現
>>> random.random()
0.47702766547742415
>>> random.seed(b'ss') # bytes 型復現
>>> random.random()
0.8708725367892596
>>> random.seed(1.2) # float型復現
>>> random.random()
0.24751702373640583
注意，只要沒有多個線程運行，通過重新使用隨機數種子值就能復現僞隨機數。
2.3 random.randrange() / random.randint() —— 指定範圍內生成僞隨機數
random.randrange(stop) 相當於在 range(stop) 中隨機輸出一個 int 型數字。
random.randrange(start, stop[, step]) 同理相當於在 range(start, stop[, step]) 中隨機輸出一個 int 型數字。
上述方法類似於 range() 的位置參數匹配模式，而不應使用關鍵字參數，且實際上並未構建 range 對象。
>>> random.randrange(6) # 指定 stop 參數測試
0
>>> random.randrange(6)
3
>>> random.randrange(1,6) # 指定 start, stop 參數測試
5
>>> random.randrange(1,6)
4
>>> random.randrange(1,6,3) # 指定 start, stop, step 參數測試
4
>>> random.randrange(1,6,3)
1
random.randint(a, b) 返回 [a, b] 範圍內的隨機 int 數，相當於隨機取 range(a, b+1) 中的一數輸出。
>>> random.randint(1,6)
1
>>> random.randint(1,6)
6
2.4 random.choice() / random.choices() —— 對序列隨機抽樣
random.choice(seq) 從非空序列 seq 返回一個隨機元素。若 seq 爲空將拋出 IndexError 。
>>> random.choice(['a', 'k', '4', '7', 6]) # seq 爲 list
'k'
>>> random.choice(['a', 'k', '4', '7', 6])
6
>>> random.choice(('m', '4', 'a', '1', 1)) # seq 爲 tuple
'm'
>>> random.choice(('m', '4', 'a', '1', 1))
'a'
>>> random.choice('csgo') # seq 爲 string
'c'
>>> random.choice('csgo')
'g'
random.choices(population, weights=None, *, cum_weights=None, k=1) 從序列 population 隨機返回長度爲 k 的元素 list。 若 population 爲空將拋出 IndexError 。
注意指定輸出長度 k 要使用關鍵字參數。
>>> random.choices(['a', 'k', '4', '7', 6]) # 默認返回長度 k=1 的 list
['a']
>>> random.choices(['a', 'k', '4', '7', 6])
[6]
>>> random.choices(['a', 'k', '4', '7', 6], k=2) # 若要指定返回 list 長度需用關鍵字參數
['4', 'a']
>>> random.choices(['a', 'k', '4', '7', 6], k=2)
['a', 'k']
若指定相對權重序列 weight，則根據相對權重選擇；若指定累積權重序列 cum_weights，則根據累積權重選擇。
權重序列必須與序列 population 等長，因爲它與序列 population 各元素輸出概率成正比。例如，相對權重 [10, 5, 30, 5] 相當於百分制的累積權重 [10, 15, 45, 50]。在內部，相對權重在選擇前會轉換爲累積權重，因此直接提供累積權重可節省計算量。
注意指定權重需用關鍵字參數；若不指定任何權重，則等概率選擇。
>>> random.choices(['a', 'k', '4', '7', 6], cum_weights=[1,2,3,4,5],k=2)
['a', '4']
>>> random.choices(['a', 'k', '4', '7', 6], weights=[1,2,3,4,5],k=2)
['k', '4']
>>> random.choices(['a', 'k', '4', '7', 6], weights=[0.1,0.2,0.3,0.4,0.5],k=2)
[6, 6]
>>> random.choices(['a', 'k', '4', '7', 6], cum_weights=[10,20,30,40,0],k=2)
['7', '7']
2.5 random.shuffle() —— 隨機打亂序列順序
random.shuffle(x[, random]) 打亂序列 x 的元素位置。注意，這是就地 (in-place) 重洗數據，以節省空間。
>>> _list = ['a', 'k', '4', '7', 6] # 以 list 爲例
>>> random.shuffle(_list)
>>> _list
[6, 'a', '4', 'k', '7']
2.6 random.sample() —— 對序列無重複隨機抽樣
random.sample(population, k) 從序列或集合 population 中返回長度爲 k 的 list，而不會改變原序列或集合 population，常用於無重複隨機抽樣。換言之，每次從 population 中選中用於輸出的元素不會被再次選到。
>>> x = [1,1,2,2,3,3,4,4]
>>> random.sample(x,4)
[2, 3, 4, 3]
>>> random.sample(x,8)
[2, 1, 4, 1, 2, 3, 4, 3]
2.7 各類概率分佈
random.uniform(a, b) 返回一個隨機 float 數 N 。若 a ≤ b，則 a ≤ N ≤ b；若 a > b 時，則 b ≤ N ≤ a 。
>>> random.uniform(1,6)
2.360764594102883
>>> random.uniform(6,1)
1.1694993454817864
random.triangular(low, high, mode) 返回一個隨機 float 數 N，滿足 low ≤ N ≤ high，並在這些邊界間使用指定的 mode 。
默認邊界 low=0，high=1。mode 參數默認爲邊界間的中點，給出對稱分佈。
>>> random.triangular()
0.7901206686668583
>>> random.triangular(1,3)
2.2824148437047245
random.betavariate(alpha, beta) 按 beta 分佈返回 float 數，範圍 0 ~ 1，要求參數 alpha>0，beta>0 。
>>> random.betavariate(1,2)
0.0002116366994341509
>>> random.betavariate(6,7)
0.4745896776730147
random.expovariate(lambd) 按指數分佈返回 float 數，參數 lambd 是 1.0 除以所需的平均值，應爲非零數。
(該參數本應命名爲 “lambda” ，但這是 Python 中的保留字)
若 lambd 爲正，則返回值範圍爲 0 ~ +∞；若 lambd 爲負，則返回值範圍爲 -∞ ~ 0 。
>>> random.expovariate(1)
0.1350680972867813
>>> random.expovariate(-1)
-2.05439953632068
random.gammavariate(alpha, beta) 按 gamma 分佈 (不是 gamma 函數) 返回 float 數，要求參數 alpha>0，beta>0。
random.gauss(mu, sigma) 按高斯 (gauss) 分佈返回 float 數，mu 是平均值，sigma 是標準差。
這比 random.normalvariate() 略快。
random.lognorrmvariate(mu, sigma) 按對數正態分佈返回 float 數。mu 是平均值，可爲任意值；sigma 是標準差，須大於0。若採用該分佈的自然對數，將得到一個正態分佈。
random.normalvariate(mu, sigma) 按正態分佈返回 float 數，mu 是平均值，sigma 是標準差。
random.vonmisesvariate(mu, kappa) 按馮·米塞斯 (von Mises) 分佈返回 float 數， mu 是平均角度，以弧度表示，介於 0~ 2π 之間；kappa 是濃度參數，必須大於等於 0。 若 kappa 等於 0，則該分佈在 0~ 2π 的範圍內減小到均勻的隨機角度。
random.paretovariate(alpha) 按帕累託分佈返回 float 數，alpha 是形狀參數.
random.weibullvariate(alpha, beta) 按威布爾分佈返回 float 數，alpha 是比例參數，beta 是形狀參數。
參考文獻：
《Think Python》
https://docs.python.org/zh-cn/3.6/library/random.html?highlight=random%20模塊#module-random