Python中生成隨機數據的方法

這篇文章主要講解了“Python中生成隨機數據的方法”，文中的講解內容簡單清晰，易于學習與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學習“Python中生成隨機數據的方法”吧！

隨機性有多隨機

大多數用 Python 生成的隨機數據在科學意義上并不是完全隨機的。相反是偽隨機的：使用偽隨機數生成器（PRNG）生成，它本質上是任何用于生成看似隨機但仍可重現的數據的算法。『真』隨機數可以由真隨機數生成器（TRNG）生成。

可能已經 Python 中看到過類似 random.seed(999) 的東西。此函數調用 Python 模塊 random.seed(1234) 使用的底層隨機數生成器。random 使得后續調用生成隨機數具有確定性：輸入 A 總是產生輸出 B。

也許『隨機』和『確定性』這兩個術語似乎不能并存。為了更清楚地說明這一點這里有一個極其精簡的版本，random() 它通過使用迭代創建一個『隨機』數字 x = (x * 3) % 19 。x 最初定義為種子值，然后根據該種子變形為確定性的數字序列。

class NotSoRandom(object):
    def seed(self, a=3):
        """隨機數生成器"""
        self.seedval = a
    def random(self):
        """隨機數"""
        self.seedval = (self.seedval * 3) % 19
        return self.seedval

_inst = NotSoRandom()
seed = _inst.seed
random = _inst.random

for i in range(10):
    seed(123)
    print([random() for _ in range(10)])
    
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]

加密安全性

如果對『RNG』首字母縮略詞還不夠了解，再添加一個 CSPRNG，或加密安全 PRNG。 CSPRNG 適用于生成敏感數據，例如密碼、身份驗證器和令牌。 給定一個隨機字符串，實際上無法確定在隨機字符串序列中哪個字符串出現在該字符串之前或之后。

另一個術語熵，引入或期望的隨機性數量。 例如將在介紹的一個 Python 模塊定義了 DEFAULT_ENTROPY = 32，即默認返回的字節數。

關于 CSPRNG 的一個關鍵點是它們仍然是偽隨機的。它們以某種內部確定性的方式設計，但添加了一些其他變量或具有使它們『足夠隨機』以禁止返回到任何強制執行確定性的函數的屬性。

Python 工具中的 PRNG 和 CSPRNG ：

• PRNG 選項包括 Python 標準庫中的 random 模塊及其基于數組的 NumPy 對應模塊 numpy.random。

• Python 的 os、secrets 和 uuid 模塊包含用于生成加密安全對象的函數。

PRNG

random 模塊

random模塊是在 Python 中生成隨機數據的最廣為人知的工具可，使用Mersenne Twister PRNG 算法作為其核心生成器。

構建一些沒有播種的隨機數據。該 random.random() 函數返回區間 [0.0, 1.0) 內的隨機浮點數。

import random
random.random()
0.1250920165739744
random.random()
0.7327868824782764

使用 random.seed()，可以使結果可重現，并且之后的調用鏈random.seed() 將產生相同的數據軌跡。

隨機數序列變為確定性的，或完全由種子值確定。

random.seed(444)
random.random()
0.3088946587429545
random.random()
0.01323751590501987

random.seed(444)
random.random()
0.3088946587429545
random.random()
0.01323751590501987

使用 random.randint() 可以使用該函數在 Python 中的兩個端點之間生成一個隨機整數。數據在整個 [x, y] 區間并且可能包括兩個端點。

>>> random.randint(0, 10)
2
>>> random.randint(500, 50000)
9991

使用 random.randrange() 可以排除區間的右側，生成的數字始終位于 [x, y) 范圍內，并且始終小于右端點。

random.randrange(1, 10)
9

使用 random.uniform()，從連續均勻分布中提取生成位于特定 [x, y] 區間內的隨機浮點數。

random.uniform(20, 30)
27.42639687016509
random.uniform(30, 40)
36.33865802745107

使用 random.choice() 從非空序列（如列表或元組）中選擇隨機元素。

items = ['A', 'B', 'C', 'D', 'E']
random.choice(items)
'B'

random.choices(items, k=2)
['A', 'C']
random.choices(items, k=3)
['C', 'D', 'E']

使用 random.sample() 不替換的情況下模擬采樣。

random.sample(items, 4)
['A', 'D', 'B', 'E']

使用 random.shuffle() 修改序列對象并隨機化元素的順序。

random.shuffle(items)
items
['E', 'B', 'A', 'C', 'D']

生成一系列唯一長度一致的隨機字符串的例子，一般用于驗證碼這種。

from random import Random

# 隨機生成郵件驗證碼的隨機字符串
def RandomsStr(random_length):
    Str = ''
    chars = 'AaBbCcDdEeFfGgHhIiJjKkLlMmNnOoPpQqRrSsTtUuVvWwXxYyZz0123456789'  # 設置可選字符
    length = len(chars) - 1
    random = Random()
    for i in range(random_length):
        Str += chars[random.randint(0, length)]
    return Str

RandomsStr(10)
LhK3vFepch

RandomsStr(16)
iGy1g0FO54Cjx3WP

數組 numpy.random

大多數函數都 random 返回一個標量值（單個int、float或其他對象）。生成序列的話可以使用列表生成的方法。

[random.random() for _ in range(5)]
[0.7401011155476498,
 0.9892634439644596,
 0.36991622177966765, 
 0.14950913503744223, 
 0.4868906039708182]

numpy.random 使用自己的 PRNG，與普通的 random 不太一樣。

"""
從標準正態分布返回樣本
"""
np.random.randn(5)
array([-0.59656657, -0.6271152 , -1.51244475, -1.02445644, -0.36722254])

np.random.randn(3, 4)
array([[ 0.34054183,  1.59173609, -0.5257795 , -0.86912511],
       [-0.86855499, -0.64487065,  1.47682128,  1.8238103 ],
       [ 0.05477224,  0.35452769,  0.14088743,  0.55049185]])

"""
根據概率隨機分配
"""
np.random.choice([0, 1], p=[0.6, 0.4], size=(5, 4))
array([[0, 1, 0, 1],
       [0, 1, 1, 1],
       [0, 1, 0, 1],
       [1, 0, 0, 0],
       [0, 0, 0, 0]])

"""
創建一系列隨機布爾值
"""
np.random.randint(0, 2, size=25, dtype=np.uint8).view(bool)
array([ True, False,  True,  True, False,  True, False, False, False,
       False, False,  True,  True, False, False, False,  True, False,
        True, False,  True,  True,  True, False,  True])

相關數據的生成

假設要模擬兩個相關的時間序列。解決此問題的一種方法是使用 NumPy 的multivariate_normal() 函數，該函數將協方差矩陣考慮在內。換句話說要從單個正態分布的隨機變量中提取，需要指定其均值和方差（或標準差）。

def corr2cov(p, s):
    """相關性和標準差的協方差矩陣"""
    d = np.diag(s)
    return d @ p @ d
corr = np.array([[1., -0.40],[-0.40, 1.]])
stdev = np.array([6., 1.])
mean = np.array([2., 0.5])
cov = corr2cov(corr, stdev)
data = np.random.multivariate_normal(mean=mean, cov=cov, size=50)
data[:10]

[[-0.33377432  0.22889428]
 [-1.5311996   0.31678635]
 [-6.02684472  0.90562824]
 [ 5.2696086   0.86518295]
 [ 6.43832395  0.36507745]
 [-8.49347011  0.68663565]
 [-5.05968126  0.55214914]
 [ 2.02314646  1.32325775]
 [ 0.98705556 -0.63118682]
 [ 2.90724439 -1.26188307]]

random模塊與NumPy對照表

CSPRNG

盡可能隨機 os.urandom()

在不涉及太多細節的情況下，生成依賴于操作系統的隨機字節，可以安全地稱為密碼安全 secretsuuidos.urandom()，在技術上仍然是偽隨機的。

唯一的參數是要返回的字節數。

os.urandom(3)
b'\xa2\xe8\x02'

x = os.urandom(6)
x
b'\xce\x11\xe7"!\x84'

type(x), len(x)
(bytes, 6)

但是這種保存格式不太符合開發的要求。

secrets 最佳保存方式

Python 3.6+ 版本引入的 PEP，secrets模塊旨在成為事實上的 Python 模塊，用于生成加密安全的隨機字節和字符串。

secrets 基本上是一個包裝器 os.urandom()。只導出了少數用于生成隨機數、字節和字符串的函數。

n = 16

# 生成安全令牌
secrets.token_bytes(n)
b'A\x8cz\xe1o\xf9!;\x8b\xf2\x80pJ\x8b\xd4\xd3'
secrets.token_hex(n)
'9cb190491e01230ec4239cae643f286f'  
secrets.token_urlsafe(n)
'MJoi7CknFu3YN41m88SEgQ'
# `random.choice()` 的安全版本
secrets.choice('rain')
'a'

UUID

生成隨機令牌的最后一個選項是 Python 的 uuid 模塊中的 uuid4() 函數。 UUID 是一個通用唯一標識符，一個 128 位序列（長度為 32 的字符串），旨在『保證跨空間和時間的唯一性』。 uuid4() 是該模塊最有用的函數之一，該函數也使用了 os.urandom()。

import uuid

uuid.uuid4()
UUID('3e3ef28d-3ff0-4933-9bba-e5ee91ce0e7b')
uuid.uuid4()
UUID('2e115fcb-5761-4fa1-8287-19f4ee2877ac')

可能還看到了其他一些變體：uuid1()、uuid3() 和 uuid5()。它們之間的主要區別在于這 uuid4() 三個函數都采用某種形式的輸入，不符合 uuid4() 的『保證跨空間和時間的唯一性』。

除了安全模塊（例如 secrets）之外，Python 的 random 模塊實際上還有一個很少使用的類，稱為 SystemRandom，它使用 os.urandom()。 （反過來，SystemRandom 也被秘密使用。這有點像一個可以追溯到 urandom() 的網絡。）

那么為什么不『默認』這個版本？ 為什么不『永遠安全』，而不是默認使用在密碼學上不安全的確定性隨機函數？

1.因為有時希望數據具有確定性和可重復性，以供其他人后續使用。

2.時間效率問題。

"""
CSPRNG 至少在 Python 中，往往比 PRNG 慢得多。 
讓我們使用腳本 timed.py 來測試，該腳本使用 timeit.repeat() 比較 randint() 的 PRNG 和 CSPRNG 版本。
"""

import random
import timeit

# CSPRNG 版本依次使用 `SystemRandom()` 和 `os.urandom()`。
_sysrand = random.SystemRandom()

def prng() -> None:
    random.randint(0, 95)

def csprng() -> None:
    _sysrand.randint(0, 95)

setup = 'import random; from __main__ import prng, csprng'

if __name__ == '__main__':
    print('Best of 3 trials with 1,000,000 loops per trial:')

    for f in ('prng()', 'csprng()'):
        best = min(timeit.repeat(f, setup=setup))
        print('\t{:8s} {:0.2f} seconds total time.'.format(f, best))

Best of 3 trials with 1,000,000 loops per trial:
	prng()   0.93 seconds total time.
	csprng() 1.70 seconds total time.

工程隨機性的比較

感謝各位的閱讀，以上就是“Python中生成隨機數據的方法”的內容了，經過本文的學習后，相信大家對Python中生成隨機數據的方法這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關知識點的文章，歡迎關注！