目录
2.2 random.seed() —— 记录与复现 (随机数种子)
2.3 random.randrange() / random.randint() —— 指定范围内生成伪随机数
2.4 random.choice() / random.choices() —— 对序列随机抽样
2.5 random.shuffle() —— 随机打乱序列顺序
2.6 random.sample() —— 对序列无重复随机抽样
一、绪论
给定相同的输入，大多数计算机程序每次都会生成相同的输出，它们因此被称作确定性的。然而，有时候我们并不需要这样的确定性，而是希望得到不可预知的随机结果。让程序具备真正意义上的非确定性并不容易，但还是是有办法使它至少看起来是不确定的。 其中之一是使用生成伪随机数 (pseudorandom) 的算法。伪随机数不是真正的随机数， 因为它们由一个确定性的计算生成，但是仅看其生成的数字，不可能将它们和随机生成的相区分开。
random 模块，顾名思义是与随机数操作相关的模块，它实现了各种分布的伪随机数生成器。但因为结果的完全确定性，它不适用于所有情况，特别是完全不适用于加密。以下将介绍一些常用功能。
二、说明
2.1 random.random() —— 获取伪随机数
random.random() 方法无需参数，调用后直接返回一个 [0.0, 1.0) 范围内的 float 型伪随机数，例如：
import random # 导入 random 模块
>>> random.random() # 获取一个伪随机数
0.3927174258393834
>>> random.random() # 再获取一个伪随机数
0.5254320253344416
2.2 random.seed() —— 记录与复现 (随机数种子)
random.seed(a=None) 方法用于初始化随机数生成器，即生成或改变“随机数种子”。
若参数 a 被省略或为 None，则使用当前系统时间；若操作系统提供随机源，则使用操作系统随机源。
若参数 a 是 int 型数字，则直接使用。(现在 a 也可以是 float、string、bytes 等类型)
调用 random.random() 生成伪随机数时，每次生成的数都是随机的。但若预先调用 random.seed(a) 设好随机数种子后，再用 random.random() 将得到同一个伪随机数，从而确保“可复现”。例如：
>>> random.random() # 不使用随机数种子, 获取未知随机数
0.9871512831697422
>>> random.random() # 不使用随机数种子, 获取未知随机数
0.1582084156493
>>> random.seed(1) # 设置一个随机数种子 1
>>> random.random() # 获取随机数种子 1 的已知随机数
0.13436424411240122
>>> random.random() # 不使用随机数种子, 仍获取未知随机数
0.8474337369372327
>>> random.seed(1) # 再使用设好的随机数种子 1, 得到已知随机数
>>> random.random()
0.13436424411240122
上述用法显而易见，当然，还存在一些不常见的用法：
>>> random.seed('s') # 使用 string 设置 seed
>>> random.random()
0.47702766547742415
>>> random.seed(b'ss') # 使用 bytes 设置 seed
>>> random.random()
0.8708725367892596
>>> random.seed(1.2) # 使用 float 设置 seed
>>> random.random()
0.24751702373640583
>>> random.seed('s') # string 型复现
>>> random.random()
0.47702766547742415
>>> random.seed(b'ss') # bytes 型复现
>>> random.random()
0.8708725367892596
>>> random.seed(1.2) # float型复现
>>> random.random()
0.24751702373640583
注意，只要没有多个线程运行，通过重新使用随机数种子值就能复现伪随机数。
2.3 random.randrange() / random.randint() —— 指定范围内生成伪随机数
random.randrange(stop) 相当于在 range(stop) 中随机输出一个 int 型数字。
random.randrange(start, stop[, step]) 同理相当于在 range(start, stop[, step]) 中随机输出一个 int 型数字。
上述方法类似于 range() 的位置参数匹配模式，而不应使用关键字参数，且实际上并未构建 range 对象。
>>> random.randrange(6) # 指定 stop 参数测试
0
>>> random.randrange(6)
3
>>> random.randrange(1,6) # 指定 start, stop 参数测试
5
>>> random.randrange(1,6)
4
>>> random.randrange(1,6,3) # 指定 start, stop, step 参数测试
4
>>> random.randrange(1,6,3)
1
random.randint(a, b) 返回 [a, b] 范围内的随机 int 数，相当于随机取 range(a, b+1) 中的一数输出。
>>> random.randint(1,6)
1
>>> random.randint(1,6)
6
2.4 random.choice() / random.choices() —— 对序列随机抽样
random.choice(seq) 从非空序列 seq 返回一个随机元素。若 seq 为空将抛出 IndexError 。
>>> random.choice(['a', 'k', '4', '7', 6]) # seq 为 list
'k'
>>> random.choice(['a', 'k', '4', '7', 6])
6
>>> random.choice(('m', '4', 'a', '1', 1)) # seq 为 tuple
'm'
>>> random.choice(('m', '4', 'a', '1', 1))
'a'
>>> random.choice('csgo') # seq 为 string
'c'
>>> random.choice('csgo')
'g'
random.choices(population, weights=None, *, cum_weights=None, k=1) 从序列 population 随机返回长度为 k 的元素 list。 若 population 为空将抛出 IndexError 。
注意指定输出长度 k 要使用关键字参数。
>>> random.choices(['a', 'k', '4', '7', 6]) # 默认返回长度 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 长度需用关键字参数
['4', 'a']
>>> random.choices(['a', 'k', '4', '7', 6], k=2)
['a', 'k']
若指定相对权重序列 weight，则根据相对权重选择；若指定累积权重序列 cum_weights，则根据累积权重选择。
权重序列必须与序列 population 等长，因为它与序列 population 各元素输出概率成正比。例如，相对权重 [10, 5, 30, 5] 相当于百分制的累积权重 [10, 15, 45, 50]。在内部，相对权重在选择前会转换为累积权重，因此直接提供累积权重可节省计算量。
注意指定权重需用关键字参数；若不指定任何权重，则等概率选择。
>>> 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() —— 随机打乱序列顺序
random.shuffle(x[, random]) 打乱序列 x 的元素位置。注意，这是就地 (in-place) 重洗数据，以节省空间。
>>> _list = ['a', 'k', '4', '7', 6] # 以 list 为例
>>> random.shuffle(_list)
>>> _list
[6, 'a', '4', 'k', '7']
2.6 random.sample() —— 对序列无重复随机抽样
random.sample(population, k) 从序列或集合 population 中返回长度为 k 的 list，而不会改变原序列或集合 population，常用于无重复随机抽样。换言之，每次从 population 中选中用于输出的元素不会被再次选到。
>>> 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 各类概率分布
random.uniform(a, b) 返回一个随机 float 数 N 。若 a ≤ b，则 a ≤ N ≤ b；若 a > b 时，则 b ≤ N ≤ a 。
>>> random.uniform(1,6)
2.360764594102883
>>> random.uniform(6,1)
1.1694993454817864
random.triangular(low, high, mode) 返回一个随机 float 数 N，满足 low ≤ N ≤ high，并在这些边界间使用指定的 mode 。
默认边界 low=0，high=1。mode 参数默认为边界间的中点，给出对称分布。
>>> random.triangular()
0.7901206686668583
>>> random.triangular(1,3)
2.2824148437047245
random.betavariate(alpha, beta) 按 beta 分布返回 float 数，范围 0 ~ 1，要求参数 alpha>0，beta>0 。
>>> random.betavariate(1,2)
0.0002116366994341509
>>> random.betavariate(6,7)
0.4745896776730147
random.expovariate(lambd) 按指数分布返回 float 数，参数 lambd 是 1.0 除以所需的平均值，应为非零数。
(该参数本应命名为 “lambda” ，但这是 Python 中的保留字)
若 lambd 为正，则返回值范围为 0 ~ +∞；若 lambd 为负，则返回值范围为 -∞ ~ 0 。
>>> random.expovariate(1)
0.1350680972867813
>>> random.expovariate(-1)
-2.05439953632068
random.gammavariate(alpha, beta) 按 gamma 分布 (不是 gamma 函数) 返回 float 数，要求参数 alpha>0，beta>0。
random.gauss(mu, sigma) 按高斯 (gauss) 分布返回 float 数，mu 是平均值，sigma 是标准差。
这比 random.normalvariate() 略快。
random.lognorrmvariate(mu, sigma) 按对数正态分布返回 float 数。mu 是平均值，可为任意值；sigma 是标准差，须大于0。若采用该分布的自然对数，将得到一个正态分布。
random.normalvariate(mu, sigma) 按正态分布返回 float 数，mu 是平均值，sigma 是标准差。
random.vonmisesvariate(mu, kappa) 按冯·米塞斯 (von Mises) 分布返回 float 数， mu 是平均角度，以弧度表示，介于 0~ 2π 之间；kappa 是浓度参数，必须大于等于 0。 若 kappa 等于 0，则该分布在 0~ 2π 的范围内减小到均匀的随机角度。
random.paretovariate(alpha) 按帕累托分布返回 float 数，alpha 是形状参数.
random.weibullvariate(alpha, beta) 按威布尔分布返回 float 数，alpha 是比例参数，beta 是形状参数。
参考文献：
《Think Python》
https://docs.python.org/zh-cn/3.6/library/random.html?highlight=random%20模块#module-random