上一篇
Python random库生成随机小数完整教程 - 从基础到高级应用
Python random库生成随机小数教程
全面掌握random.random(), uniform(), gauss()等方法的原理与应用
为什么需要生成随机小数？
在Python编程中，生成随机小数是许多应用场景的基础需求：
- 模拟实验和科学研究
- 机器学习中权重初始化
- 游戏开发中的随机事件
- 金融领域的风险模拟
- 随机算法和数据处理
Python内置的random库提供了多种生成随机小数的方法，每种方法适用于不同的场景。
random.random() - 基础随机小数
random.random()是最基础的随机小数生成方法，它返回一个[0.0, 1.0)范围内的随机浮点数。
示例代码：
import random
# 生成5个随机小数
for i in range(5):
num = random.random()
print(f"随机数 {i+1}: {num:.4f}")
输出结果：
随机数 1: 0.3745
随机数 2: 0.9502
随机数 3: 0.5987
随机数 4: 0.1569
随机数 5: 0.0580
random.uniform() - 指定范围随机小数
当需要生成特定范围内的随机小数时，random.uniform(a, b)是更好的选择。
它返回一个[a, b]范围内的随机浮点数（a和b可以是整数或浮点数）。
示例代码：
import random
# 生成-10到10之间的随机小数
print(f"[-10, 10]: {random.uniform(-10, 10):.4f}")
# 生成0.5到1.5之间的随机小数
print(f"[0.5, 1.5]: {random.uniform(0.5, 1.5):.4f}")
# 生成100到200之间的随机小数
print(f"[100, 200]: {random.uniform(100, 200):.4f}")
输出结果：
[-10, 10]: 3.7281
[0.5, 1.5]: 1.2389
[100, 200]: 156.7843
random.gauss() - 正态分布随机小数
对于需要符合正态分布（高斯分布）的场景，random.gauss(mu, sigma)提供了解决方案。
其中mu是均值，sigma是标准差。
示例代码：模拟身高数据
import random
# 生成符合正态分布的身高数据（均值170cm，标准差8cm）
heights = [random.gauss(170, 8) for _ in range(10)]
print("模拟身高数据(cm):")
for i, h in enumerate(heights):
print(f"人员{i+1}: {h:.2f}")
输出结果：
人员1: 168.34
人员2: 176.89
人员3: 162.45
人员4: 172.56
人员5: 179.22
人员6: 165.78
人员7: 170.02
人员8: 158.94
人员9: 182.17
人员10: 174.65
实际应用场景
蒙特卡洛模拟计算π
import random
points = 1000000
inside = 0
for _ in range(points):
x = random.uniform(-1, 1)
y = random.uniform(-1, 1)
if x**2 + y**2 <= 1:
inside += 1
pi = 4 * inside / points
print(f"估算的π值: {pi}")
模拟股票价格波动
import random
def simulate_stock(initial, days, mu, sigma):
price = initial
prices = [price]
for _ in range(days):
change = random.gauss(mu, sigma)
price *= (1 + change)
prices.append(price)
return prices
# 模拟100天，初始价格100，日均回报0.1%，标准差0.5%
prices = simulate_stock(100, 100, 0.001, 0.005)
方法对比总结
| 方法 | 描述 | 范围 | 适用场景 |
|---|---|---|---|
random.random() |
生成[0.0, 1.0)的随机浮点数 | [0.0, 1.0) | 需要0-1之间随机小数的场景 |
random.uniform(a, b) |
生成[a, b]之间的随机浮点数 | [a, b] | 指定范围的随机值 |
random.gauss(mu, sigma) |
生成符合正态分布的随机数 | (-∞, +∞) | 自然现象模拟、统计学 |
random.expovariate() |
生成指数分布的随机数 | (0, +∞) | 事件间隔时间模拟 |
最佳实践提示：
- 在需要可重复结果时设置随机种子：
random.seed(42) - 对于安全性要求高的场景，使用
secrets模块代替random - 处理金融数据时考虑使用
numpy.random以获得更好的性能 - 理解不同分布的特点以选择合适的随机数生成方法
本文由KouNiao于2025-07-31发表在吾爱品聚，如有疑问，请联系我们。
本文链接：https://521pj.cn/20256904.html
发表评论