Python 蟒蛇是随机的吗？

所以我在测试一个计算某个掷骰子的概率的游戏。 基本情况下，如果滚动单面模具

我做了一百万个样本，最后得出以下比例：

Result
0       0.000000000000000%
1       10.038789961210000%
2       10.043589956410000%
3       9.994890005110000%
4       10.025289974710000%
5       9.948090051909950%
6       9.965590034409970%
7       9.990190009809990%
8       9.985490014509990%
9       9.980390019609980%
10      10.027589972410000%

这些当然都应该是10%。 这些结果的标准偏差为0.0323207%。 在我看来，这似乎相当高。 这只是巧合吗？ 据我所知，随机模块访问正确的伪随机数。 也就是说，通过统计测试的方法得出的结果是随机的。 还是这些伪随机数生成器

我应该使用加密伪随机数生成器吗？ 我相当确定我不需要真正的随机数生成器（请参阅）

我目前正在用10亿个样本重新生成所有结果， （因为为什么不呢，我有一个松脆的服务器在我的支配下，还有一些睡眠要做）

来自：

几乎所有模块函数都依赖于基本函数random（），该函数在半开放范围内均匀生成随机浮点[0.0,1.0）。Python使用Mersenne Twister作为核心生成器。它产生53位精度浮点，周期为2**19937-1。C中的底层实现既快速又线程安全。Mersenne Twister是现有测试最广泛的随机数生成器之一。但是，由于完全确定性，它不是适用于所有目的，并且完全不适用于加密目的

从：

它提供了快速生成高质量伪随机数的功能，专门用于纠正旧算法中发现的许多缺陷

如果您有一个特定于操作系统的随机性源，可通过使用，那么您可以使用该类。大多数

随机

模块函数可作为该类上的方法使用。它可能更适合用于加密目的，再次引用文档：

对于加密应用程序来说，返回的数据应该是不可预测的，尽管其确切质量取决于操作系统的实现

Python 3.6添加了一个方便的方法来生成适用于加密目的的随机数据：

secrets

模块用于生成适合管理密码、帐户身份验证、安全令牌和相关机密等数据的加密强随机数

特别是，应优先使用

机密

，而不是

随机

模块中的默认伪随机数生成器，它是为建模和仿真而设计的，而不是为了安全或加密

---

是的，从统计上看，它是随机的。你看到的随机变化是完全正常的。事实上，如果没有那样的变化，它将是一个很差的rng

---

因为prng的周期是2**19937-1，所以在看到非随机分布之前，你需要生成比宇宙中原子更多的数字。请注意，如果生成623维向量，它会很快变成非随机的。

Martijn的答案是对Python的随机数生成器的一个非常简洁的回顾访问

如果要检查生成的伪随机数据的属性，请从下载

random.zip

，并在大样本随机数据上运行它。特别是χ²（卡方）检验对随机性非常敏感。对于真正随机的序列，χ²检验的百分比应在10%到90%之间

对于一个游戏，我想Python内部使用的Mersenne Twister应该是足够随机的（除非您正在构建一个在线赌场：-）

如果您想要纯粹的随机性，并且使用Linux，您可以从

/dev/random

读取。这只会从内核的熵池（从中断到达的不可预测时间收集）生成随机数据，因此如果耗尽它，它将阻塞。此熵用于初始化（种子）

/dev/urandom

使用的PRNG。在FreeBSD上，为

/dev/random

提供数据的PRNG使用Yarrow算法，这通常被认为是加密安全的

编辑：我对

random.randint

中的字节进行了一些测试。首先创建了一百万个随机字节：

import random
ba = bytearray([random.randint(0,255) for n in xrange(1000000)])
with open('randint.dat', 'w+') as f:
    f.write(ba)

然后我在上面运行了

ent

程序：

对于χ²检验，你从50%得到的数据越远，数据就越可疑。如果一个数据非常挑剔，那么90%的值被认为是不可接受的。约翰·沃克（John Walker）是

ent

的作者，他称这个值“几乎可疑”

作为对比，以下是我之前对FreeBSD的Yarrow prng中10个MiB的分析：

Entropy = 7.999982 bits per byte.

Optimum compression would reduce the size
of this 10485760 byte file by 0 percent.

Chi square distribution for 10485760 samples is 259.03, and randomly
would exceed this value 41.80 percent of the times.

Arithmetic mean value of data bytes is 127.5116 (127.5 = random).
Monte Carlo value for Pi is 3.139877754 (error 0.05 percent).
Serial correlation coefficient is -0.000296 (totally uncorrelated = 0.0).

---

虽然在其他数据中似乎没有太大差异，但χ2的比例更接近50%。

随机数出现不完全分布和良好PRNG确实是正常的。但是，生成的数字越多，你应该看到的越少

---

顺便说一句，我得到的标准偏差为0.03066，略低于您给出的值。

我用10亿次迭代重新运行OP的练习：

from collections import Counter
import random
n = 1000000000
c = Counter(random.randint(1, 10) for _ in xrange(n))
for i in range(1,11):
    print '%2s  %02.10f%%' % (i, c[i] * 100.0 / n)

以下是（重新格式化）的结果：

---

查看这个问题的其他答案，了解他们的出色分析。

这些结果非常接近您的预期，您可以做一个简单的计算来验证这一点。如果您滚动1000000个D10并计算1的数量（例如），该随机变量的平均值为100000（试验次数*成功概率）方差是90000（试验次数*成功概率*失败概率），所以标准偏差是sqrt（90000）=300。所以你应该期望从100000中得到大约300，即10%+/-0.03%。

你能发布你的代码吗？我的代码基本上是：

random.randint（1，10）

他们的想法没什么大不了的，（还有一些其他的东西会产生效果。）

from collections import Counter
import random
n = 1000000000
c = Counter(random.randint(1, 10) for _ in xrange(n))
for i in range(1,11):
    print '%2s  %02.10f%%' % (i, c[i] * 100.0 / n)

 1     9.9996500000%
 2    10.0011089000%
 3    10.0008568000%
 4    10.0007495000%
 5     9.9999089000%
 6     9.9985344000%
 7     9.9994913000%
 8     9.9997877000%
 9    10.0010818000%
10     9.9988307000%