Python 生成0到9之间的随机整数
如何在Python中生成0到9(含)之间的随机整数 例如,Python 生成0到9之间的随机整数,python,random,integer,Python,Random,Integer,如何在Python中生成0到9(含)之间的随机整数 例如,0,1,2,3,4,5,6,7,8,9, from random import randrange, uniform # randrange gives you an integral value irand = randrange(0, 10) # uniform gives you a floating-point value frand = uniform(0, 10) 尝试: 文档: 返回一个随机整数N,使得 这将生成10
0
,1
,2
,3
,4
,5
,6
,7
,8
,9
,
from random import randrange, uniform
# randrange gives you an integral value
irand = randrange(0, 10)
# uniform gives you a floating-point value
frand = uniform(0, 10)
尝试:
文档:
返回一个随机整数N,使得
这将生成10个范围为0到9(包括0到9)的伪随机整数。请尝试通过random.shuffle执行此操作
>>> import random
>>> nums = range(10)
>>> random.shuffle(nums)
>>> nums
[6, 3, 5, 4, 0, 1, 2, 9, 8, 7]
该模块是Python 3.6中的新模块。这比用于加密或安全的模块要好
要随机打印0-9范围内的整数,请执行以下操作:
from secrets import randbelow
print(randbelow(10))
有关详细信息,请参阅。如果要使用numpy,请使用以下命令:
import numpy as np
print(np.random.randint(0,10))
选择数组的大小(在本例中,我选择的大小为20)。然后,使用以下命令:
import numpy as np
np.random.randint(10, size=(1, 20))
您可以期望看到以下形式的输出(每次运行时都会返回不同的随机整数;因此,您可以期望输出数组中的整数与下面给出的示例不同)
random.sample
是另一个可以使用的
import random
n = 1 # specify the no. of numbers
num = random.sample(range(10), n)
num[0] # is the required number
最好的方法是使用导入随机函数
import random
print(random.sample(range(10), 10))
或无任何库导入:
n={}
for i in range(10):
n[i]=i
for p in range(10):
print(n.popitem()[1])
在这里,如果是连续数字或可能是最佳选择,则从字典中删除并返回任意值,但如果序列中有多个不同的值(即列表
),则还可以使用:
选项
也适用于非连续样本中的一个项目:
>>> values = [1, 2, 3, 5, 7, 10]
>>> random.choice(values)
7
如果您需要“加密性强”,python 3.6及更新版本中还有一个:
>>> import secrets
>>> values = list(range(10))
>>> secrets.choice(values)
2
对于Python 3.6,我的运气更好
str_Key = ""
str_RandomKey = ""
for int_I in range(128):
str_Key = random.choice('0123456789')
str_RandomKey = str_RandomKey + str_Key
只需添加诸如“ABCD”和“ABCD”或“^!~=->
要获取十个样本的列表,请执行以下操作:
>>> [random.randrange(10) for x in range(10)]
[9, 0, 4, 0, 5, 7, 4, 3, 6, 8]
虽然许多帖子演示了如何获得一个随机整数,但最初的问题是如何生成随机整数s(复数):
如何在Python中生成0到9(含)之间的随机整数
为了清楚起见,这里我们演示如何获得多个随机整数
给定的
>>> import random
lo = 0
hi = 10
size = 5
代码
多重随机整数
随机整数样本
详细信息
一些帖子演示了如何本机生成多个随机整数。1以下是一些解决隐含问题的选项:
- A:返回范围
[0.0,1.0)
- B:返回一个随机整数
N
,以便a生成0到9之间的随机整数
import numpy
X = numpy.random.randint(0, 10, size=10)
print(X)
输出:
[4 8 0 4 9 6 9 9 0 7]
我会尝试以下方法之一:
import numpy as np
print(np.random.randint(0,10))
1.>
2.>
3.>
4.>
5.>
速度:
► np.random.UNIQUE和np.random.randint比np.random.choice、random.randrange、random.randint快很多(~10倍)
%timeit np.random.randint(low=0, high=10, size=(15,))
>> 1.64 µs ± 7.83 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
%timeit np.random.uniform(low=0, high=10, size=(15,)).astype(int)
>> 2.15 µs ± 38.6 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
%timeit np.random.choice(a=10, size=15 )
>> 21 µs ± 629 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
%timeit [randrange(10) for i in range(15)]
>> 12.9 µs ± 60.4 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
%timeit [randint(0, 9) for i in range(0, 15)]
>> 20 µs ± 386 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
注意事项:
1.>在半开区间[low,high]上生成随机整数
2.>在半开放区间[低、高]上生成均匀分布的数字
3.>在半开放区间[low,high]上生成一个随机样本,就像参数a
是np.arange(n)一样
4.>从范围(开始、停止、步骤)生成一个随机数
5.>返回一个随机整数N,这样I就选择了size=(15,)。这将为您提供一个长度为15的numpy数组
这更像是一种数学方法,但它在100%的时间内都有效:
假设您想使用random.random()
函数在a
和b
之间生成一个数字。要实现此目的,只需执行以下操作:
import numpy as np
print(np.random.randint(0,10))
num=(b-a)*random.random()+a;
当然,您可以生成更多数字。从模块的文档页面:
警告:此模块的伪随机生成器不应为空
用于安全目的。如果需要,请使用os.URADOM()或SystemRandom
需要加密安全的伪随机数生成器
,它是在Python2.4中引入的。在编写本文时,它在Python3.7.1中仍然可用
导入字符串
>>>字符串。数字
'0123456789'
>>>随机输入
>>>random.SystemRandom().choice(string.digits)
'8'
>>>random.SystemRandom().choice(string.digits)
'1'
>>>random.SystemRandom().choice(string.digits)
'8'
>>>random.SystemRandom().choice(string.digits)
'5'
除了string.digits
,range
可以用于其他答案,也可以用于理解。根据需要进行混合和匹配。OpenTURNS不仅可以模拟随机整数,还可以定义与用户定义的定义类相关的分布
下面模拟分布的12个结果
import openturns as ot
points = [[i] for i in range(10)]
distribution = ot.UserDefined(points) # By default, with equal weights.
for i in range(12):
x = distribution.getRealization()
print(i,x)
这张照片是:
0 [8]
1 [7]
2 [4]
3 [7]
4 [3]
5 [3]
6 [2]
7 [9]
8 [0]
9 [5]
10 [9]
11 [6]
之所以有括号,是因为x
是一维中的点。
只需调用getSample
,就可以更轻松地生成12个结果:
sample = distribution.getSample(12)
将产生:
>>> print(sample)
[ v0 ]
0 : [ 3 ]
1 : [ 9 ]
2 : [ 6 ]
3 : [ 3 ]
4 : [ 2 ]
5 : [ 6 ]
6 : [ 9 ]
7 : [ 5 ]
8 : [ 9 ]
9 : [ 5 ]
10 : [ 3 ]
11 : [ 2 ]
关于这个主题的更多细节在这里:我想我应该用使用ANU量子数生成器的quantumrand
来补充这些答案。不幸的是,这需要一个互联网连接,但是如果你关心这些数字的“随机性”,那么这可能会很有用
范例
导入quantumrand
number=quantumrand.randint(0,9)
打印(数字)
输出:4
文档中有许多不同的示例,包括掷骰子和列表选择器。您需要标准库中的random
python模块。
使用代码
from random import randint
num1= randint(0,9)
这将设置va
# D
>>> lst = list(range(lo, hi))
>>> random.shuffle(lst)
>>> [lst[i] for i in range(size)]
[6, 8, 2, 5, 1]
# E
>>> [random.choice(range(lo, hi)) for _ in range(size)]
[2, 1, 6, 9, 5]
# F
>>> random.choices(range(lo, hi), k=size)
[3, 2, 0, 8, 2]
# G
>>> random.sample(range(lo, hi), k=size)
[4, 5, 1, 2, 3]
| | random | numpy.random |
|-|-----------------------|----------------------------------|
|A| random() | random() |
|B| randint(low, high) | randint(low, high) |
|C| randrange(low, high) | randint(low, high) |
|D| shuffle(seq) | shuffle(seq) |
|E| choice(seq) | choice(seq) |
|F| choices(seq, k) | choice(seq, size) |
|G| sample(seq, k) | choice(seq, size, replace=False) |
>>> np.random.normal(loc=5, scale=10, size=size).astype(int)
array([17, 10, 3, 1, 16])
>>> np.random.poisson(lam=1, size=size).astype(int)
array([1, 3, 0, 2, 0])
>>> np.random.lognormal(mean=0.0, sigma=1.0, size=size).astype(int)
array([1, 3, 1, 5, 1])
import numpy
X = numpy.random.randint(0, 10, size=10)
print(X)
[4 8 0 4 9 6 9 9 0 7]
import numpy as np
X1 = np.random.randint(low=0, high=10, size=(15,))
print (X1)
>>> array([3, 0, 9, 0, 5, 7, 6, 9, 6, 7, 9, 6, 6, 9, 8])
import numpy as np
X2 = np.random.uniform(low=0, high=10, size=(15,)).astype(int)
print (X2)
>>> array([8, 3, 6, 9, 1, 0, 3, 6, 3, 3, 1, 2, 4, 0, 4])
import numpy as np
X3 = np.random.choice(a=10, size=15 )
print (X3)
>>> array([1, 4, 0, 2, 5, 2, 7, 5, 0, 0, 8, 4, 4, 0, 9])
from random import randrange
X4 = [randrange(10) for i in range(15)]
print (X4)
>>> [2, 1, 4, 1, 2, 8, 8, 6, 4, 1, 0, 5, 8, 3, 5]
from random import randint
X5 = [randint(0, 9) for i in range(0, 15)]
print (X5)
>>> [6, 2, 6, 9, 5, 3, 2, 3, 3, 4, 4, 7, 4, 9, 6]
%timeit np.random.randint(low=0, high=10, size=(15,))
>> 1.64 µs ± 7.83 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
%timeit np.random.uniform(low=0, high=10, size=(15,)).astype(int)
>> 2.15 µs ± 38.6 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
%timeit np.random.choice(a=10, size=15 )
>> 21 µs ± 629 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
%timeit [randrange(10) for i in range(15)]
>> 12.9 µs ± 60.4 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
%timeit [randint(0, 9) for i in range(0, 15)]
>> 20 µs ± 386 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
import openturns as ot
points = [[i] for i in range(10)]
distribution = ot.UserDefined(points) # By default, with equal weights.
for i in range(12):
x = distribution.getRealization()
print(i,x)
0 [8]
1 [7]
2 [4]
3 [7]
4 [3]
5 [3]
6 [2]
7 [9]
8 [0]
9 [5]
10 [9]
11 [6]
sample = distribution.getSample(12)
>>> print(sample)
[ v0 ]
0 : [ 3 ]
1 : [ 9 ]
2 : [ 6 ]
3 : [ 3 ]
4 : [ 2 ]
5 : [ 6 ]
6 : [ 9 ]
7 : [ 5 ]
8 : [ 9 ]
9 : [ 5 ]
10 : [ 3 ]
11 : [ 2 ]
from random import randint
num1= randint(0,9)
import random
numbers = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
choice = random.choice(numbers)
print(choice)