random — Generate pseudo-random numbers¶
This module implements pseudo-random number generators for various distributions.
For integers, there is uniform selection from a range. For sequences, there is uniform selection of a random element, a function to generate a random permutation of a list in-place, and a function for random sampling without replacement.
On the real line, there are functions to compute uniform, normal (Gaussian), lognormal, negative exponential, gamma, and beta distributions. For generating distributions of angles, the von Mises distribution is available.
Almost all module functions depend on the basic function random() , which generates a random float uniformly in the half-open range 0.0 <= X < 1.0 . Python uses the Mersenne Twister as the core generator. It produces 53-bit precision floats and has a period of 2**19937-1. The underlying implementation in C is both fast and threadsafe. The Mersenne Twister is one of the most extensively tested random number generators in existence. However, being completely deterministic, it is not suitable for all purposes, and is completely unsuitable for cryptographic purposes.
The functions supplied by this module are actually bound methods of a hidden instance of the random.Random class. You can instantiate your own instances of Random to get generators that don’t share state.
Class Random can also be subclassed if you want to use a different basic generator of your own devising: in that case, override the random() , seed() , getstate() , and setstate() methods. Optionally, a new generator can supply a getrandbits() method — this allows randrange() to produce selections over an arbitrarily large range.
The random module also provides the SystemRandom class which uses the system function os.urandom() to generate random numbers from sources provided by the operating system.
The pseudo-random generators of this module should not be used for security purposes. For security or cryptographic uses, see the secrets module.
M. Matsumoto and T. Nishimura, “Mersenne Twister: A 623-dimensionally equidistributed uniform pseudorandom number generator”, ACM Transactions on Modeling and Computer Simulation Vol. 8, No. 1, January pp.3–30 1998.
Complementary-Multiply-with-Carry recipe for a compatible alternative random number generator with a long period and comparatively simple update operations.
Bookkeeping functions¶
Initialize the random number generator.
If a is omitted or None , the current system time is used. If randomness sources are provided by the operating system, they are used instead of the system time (see the os.urandom() function for details on availability).
If a is an int, it is used directly.
With version 2 (the default), a str , bytes , or bytearray object gets converted to an int and all of its bits are used.
With version 1 (provided for reproducing random sequences from older versions of Python), the algorithm for str and bytes generates a narrower range of seeds.
Changed in version 3.2: Moved to the version 2 scheme which uses all of the bits in a string seed.
Changed in version 3.11: The seed must be one of the following types: NoneType, int , float , str , bytes , or bytearray .
Return an object capturing the current internal state of the generator. This object can be passed to setstate() to restore the state.
random. setstate ( state ) ¶
state should have been obtained from a previous call to getstate() , and setstate() restores the internal state of the generator to what it was at the time getstate() was called.
Functions for bytes¶
Generate n random bytes.
This method should not be used for generating security tokens. Use secrets.token_bytes() instead.
New in version 3.9.
Functions for integers¶
Return a randomly selected element from range(start, stop, step) . This is equivalent to choice(range(start, stop, step)) , but doesn’t actually build a range object.
The positional argument pattern matches that of range() . Keyword arguments should not be used because the function may use them in unexpected ways.
Changed in version 3.2: randrange() is more sophisticated about producing equally distributed values. Formerly it used a style like int(random()*n) which could produce slightly uneven distributions.
Deprecated since version 3.10: The automatic conversion of non-integer types to equivalent integers is deprecated. Currently randrange(10.0) is losslessly converted to randrange(10) . In the future, this will raise a TypeError .
Deprecated since version 3.10: The exception raised for non-integral values such as randrange(10.5) or randrange(’10’) will be changed from ValueError to TypeError .
Return a random integer N such that a <= N <= b . Alias for randrange(a, b+1) .
random. getrandbits ( k ) ¶
Returns a non-negative Python integer with k random bits. This method is supplied with the MersenneTwister generator and some other generators may also provide it as an optional part of the API. When available, getrandbits() enables randrange() to handle arbitrarily large ranges.
Changed in version 3.9: This method now accepts zero for k.
Functions for sequences¶
Return a random element from the non-empty sequence seq. If seq is empty, raises IndexError .
random. choices ( population , weights = None , * , cum_weights = None , k = 1 ) ¶
Return a k sized list of elements chosen from the population with replacement. If the population is empty, raises IndexError .
If a weights sequence is specified, selections are made according to the relative weights. Alternatively, if a cum_weights sequence is given, the selections are made according to the cumulative weights (perhaps computed using itertools.accumulate() ). For example, the relative weights [10, 5, 30, 5] are equivalent to the cumulative weights [10, 15, 45, 50] . Internally, the relative weights are converted to cumulative weights before making selections, so supplying the cumulative weights saves work.
If neither weights nor cum_weights are specified, selections are made with equal probability. If a weights sequence is supplied, it must be the same length as the population sequence. It is a TypeError to specify both weights and cum_weights.
The weights or cum_weights can use any numeric type that interoperates with the float values returned by random() (that includes integers, floats, and fractions but excludes decimals). Weights are assumed to be non-negative and finite. A ValueError is raised if all weights are zero.
For a given seed, the choices() function with equal weighting typically produces a different sequence than repeated calls to choice() . The algorithm used by choices() uses floating point arithmetic for internal consistency and speed. The algorithm used by choice() defaults to integer arithmetic with repeated selections to avoid small biases from round-off error.
New in version 3.6.
Changed in version 3.9: Raises a ValueError if all weights are zero.
Shuffle the sequence x in place.
To shuffle an immutable sequence and return a new shuffled list, use sample(x, k=len(x)) instead.
Note that even for small len(x) , the total number of permutations of x can quickly grow larger than the period of most random number generators. This implies that most permutations of a long sequence can never be generated. For example, a sequence of length 2080 is the largest that can fit within the period of the Mersenne Twister random number generator.
Deprecated since version 3.9, removed in version 3.11: The optional parameter random.
Return a k length list of unique elements chosen from the population sequence. Used for random sampling without replacement.
Returns a new list containing elements from the population while leaving the original population unchanged. The resulting list is in selection order so that all sub-slices will also be valid random samples. This allows raffle winners (the sample) to be partitioned into grand prize and second place winners (the subslices).
Members of the population need not be hashable or unique. If the population contains repeats, then each occurrence is a possible selection in the sample.
Repeated elements can be specified one at a time or with the optional keyword-only counts parameter. For example, sample([‘red’, ‘blue’], counts=[4, 2], k=5) is equivalent to sample([‘red’, ‘red’, ‘red’, ‘red’, ‘blue’, ‘blue’], k=5) .
To choose a sample from a range of integers, use a range() object as an argument. This is especially fast and space efficient for sampling from a large population: sample(range(10000000), k=60) .
If the sample size is larger than the population size, a ValueError is raised.
Changed in version 3.9: Added the counts parameter.
Changed in version 3.11: The population must be a sequence. Automatic conversion of sets to lists is no longer supported.
Real-valued distributions¶
The following functions generate specific real-valued distributions. Function parameters are named after the corresponding variables in the distribution’s equation, as used in common mathematical practice; most of these equations can be found in any statistics text.
Return the next random floating point number in the range 0.0 <= X < 1.0
Return a random floating point number N such that a <= N <= b for a <= b and b <= N <= a for b < a .
The end-point value b may or may not be included in the range depending on floating-point rounding in the equation a + (b-a) * random() .
random. triangular ( low , high , mode ) ¶
Return a random floating point number N such that low <= N <= high and with the specified mode between those bounds. The low and high bounds default to zero and one. The mode argument defaults to the midpoint between the bounds, giving a symmetric distribution.
random. betavariate ( alpha , beta ) ¶
Beta distribution. Conditions on the parameters are alpha > 0 and beta > 0 . Returned values range between 0 and 1.
random. expovariate ( lambd ) ¶
Exponential distribution. lambd is 1.0 divided by the desired mean. It should be nonzero. (The parameter would be called “lambda”, but that is a reserved word in Python.) Returned values range from 0 to positive infinity if lambd is positive, and from negative infinity to 0 if lambd is negative.
random. gammavariate ( alpha , beta ) ¶
Gamma distribution. (Not the gamma function!) The shape and scale parameters, alpha and beta, must have positive values. (Calling conventions vary and some sources define ‘beta’ as the inverse of the scale).
The probability distribution function is:
Normal distribution, also called the Gaussian distribution. mu is the mean, and sigma is the standard deviation. This is slightly faster than the normalvariate() function defined below.
Multithreading note: When two threads call this function simultaneously, it is possible that they will receive the same return value. This can be avoided in three ways. 1) Have each thread use a different instance of the random number generator. 2) Put locks around all calls. 3) Use the slower, but thread-safe normalvariate() function instead.
Changed in version 3.11: mu and sigma now have default arguments.
Log normal distribution. If you take the natural logarithm of this distribution, you’ll get a normal distribution with mean mu and standard deviation sigma. mu can have any value, and sigma must be greater than zero.
random. normalvariate ( mu = 0.0 , sigma = 1.0 ) ¶
Normal distribution. mu is the mean, and sigma is the standard deviation.
Changed in version 3.11: mu and sigma now have default arguments.
mu is the mean angle, expressed in radians between 0 and 2*pi, and kappa is the concentration parameter, which must be greater than or equal to zero. If kappa is equal to zero, this distribution reduces to a uniform random angle over the range 0 to 2*pi.
random. paretovariate ( alpha ) ¶
Pareto distribution. alpha is the shape parameter.
random. weibullvariate ( alpha , beta ) ¶
Weibull distribution. alpha is the scale parameter and beta is the shape parameter.
Alternative Generator¶
Class that implements the default pseudo-random number generator used by the random module.
Deprecated since version 3.9: In the future, the seed must be one of the following types: NoneType , int , float , str , bytes , or bytearray .
Class that uses the os.urandom() function for generating random numbers from sources provided by the operating system. Not available on all systems. Does not rely on software state, and sequences are not reproducible. Accordingly, the seed() method has no effect and is ignored. The getstate() and setstate() methods raise NotImplementedError if called.
Notes on Reproducibility¶
Sometimes it is useful to be able to reproduce the sequences given by a pseudo-random number generator. By re-using a seed value, the same sequence should be reproducible from run to run as long as multiple threads are not running.
Most of the random module’s algorithms and seeding functions are subject to change across Python versions, but two aspects are guaranteed not to change:
If a new seeding method is added, then a backward compatible seeder will be offered.
The generator’s random() method will continue to produce the same sequence when the compatible seeder is given the same seed.
Как заполнить массив случайными числами на Python: подробный гайд и лучшие практики
Python — это один из самых распространенных языков программирования в мире, используемый для решения различных задач. Создание массивов случайных чисел является важной задачей для разработчиков на Python, которые хотят создавать различные приложения, игры и алгоритмы. Но как заполнить массив случайными числами и избежать повторений?
В данной статье мы рассмотрим несколько методов создания массивов случайных чисел на Python и обсудим преимущества и недостатки каждого из них. Также мы расскажем о лучших практиках написания кода для создания массивов, чтобы ваш код был оптимизирован и легко читаемым.
Вы поймете, как использовать генераторы случайных чисел, библиотеки Numpy и Random, а также функции Python, чтобы создать массивы случайных чисел указанной длины и заданного диапазона. Это полезный навык, который пригодится в любом проекте, связанном с обработкой данных или математическими операциями.
Присоединяйтесь к нам в этом увлекательном путешествии в мир создания массивов случайных чисел на Python. Научитесь мастерству программирования, и ваш код станет более эффективным и качественным.
Что такое массив и как он используется в Python
Массив — это структура данных, которая представляет собой набор элементов одного типа. В Python массивы реализуются в виде списков.
Массивы используются в программировании для хранения большого количества значений одного типа. Например, в математике массив может использоваться для хранения координат точек на плоскости.
В Python массивы могут быть созданы как пустые, так и заполненные значениями. Для заполнения массива используются различные методы, например, случайные числа, ввод значения пользователем или чтение данных из файла.
Массивы в Python могут иметь не только одномерные, но и многомерные структуры. Например, двумерный массив может использоваться для хранения значений в виде таблицы.
Важным преимуществом использования массивов является возможность быстрого доступа к элементам и их изменению. Благодаря этому массивы часто используются в программировании для решения сложных задач, связанных с обработкой больших объемов данных.
Генерация случайных чисел в Python: как это сделать
Случайные числа могут быть использованы в различных задачах, например, для произвольного заполнения массива. Python имеет встроенный модуль random, который позволяет генерировать случайные числа.
Генерация случайного числа в заданном диапазоне
Для генерации случайного числа в заданном диапазоне можно использовать функцию randint из модуля random. Она принимает два аргумента — нижнее и верхнее значения диапазона и возвращает случайное целочисленное число в этом диапазоне, включая границы.
Этот код сгенерирует случайное число от 1 до 100 включительно и выведет его на экран.
Генерация случайного числа с плавающей точкой
Для генерации случайного числа с плавающей точкой можно использовать функцию uniform из модуля random. Она принимает два аргумента — нижнее и верхнее значения диапазона и возвращает случайное число с плавающей точкой в этом диапазоне.
Этот код сгенерирует случайное число с плавающей точкой от 0 до 1 и выведет его на экран.
Генерация случайного элемента из списка
Для генерации случайного элемента из списка можно использовать функцию choice из модуля random. Она принимает один аргумент — список и возвращает случайный элемент из этого списка.
Этот код выберет случайный элемент из списка my_list и выведет его на экран.
Генерация случайных целых чисел с помощью функции randint
Для создания массива со случайными целыми числами в Python используется функция randint из модуля random. Эта функция принимает два аргумента — начальное и конечное значения диапазона случайных чисел, которые можно генерировать.
Например, чтобы создать массив из 10 целых чисел в диапазоне от 1 до 100, можно использовать следующий код:
В этом случае мы используем генератор списка, чтобы создать массив random_numbers из 10 элементов, каждый из которых будет случайным целым числом в диапазоне от 1 до 100.
Также можно использовать цикл for и функцию append для заполнения массива со случайными числами:
Обе эти конструкции будут работать одинаково и сгенерируют массив со случайными целыми числами в указанном диапазоне.
Генерация случайных чисел с плавающей запятой с помощью функции uniform
В Python для генерации случайных чисел с плавающей запятой можно использовать функцию uniform. Она принимает два аргумента — начальное и конечное значение интервала, в котором нужно сгенерировать число. Возвращаемое значение будет случайным числом с плавающей запятой в указанном интервале.
Например, чтобы сгенерировать случайное число с плавающей запятой в интервале от 0 до 1, можно использовать следующий код:
Также можно использовать циклы для заполнения массива случайными числами с помощью функции uniform. Например, чтобы создать массив из 10 случайных чисел с плавающей запятой в интервале от -5 до 5, можно использовать следующий код:
Использование функции uniform позволяет генерировать случайные числа с плавающей запятой с высокой точностью и контролируемым интервалом значений, что может быть важно во многих задачах программирования и анализа данных.
Как заполнить массив случайными целыми числами
Одной из распространенных задач программирования является заполнение массива случайными целыми числами. Это может понадобиться для создания тестовых данных, решения задач, математических моделей и т.д.
На языке Python для генерации случайных целых чисел можно использовать модуль random. Для заполнения массива несколькими случайными целыми числами можно использовать метод randint(min, max), который генерирует случайное целое число в диапазоне от min до max включительно.
Чтобы заполнить массив случайными целыми числами, необходимо сначала создать пустой массив нужной длины, а затем заполнить его генерируемыми числами. Например, можно использовать цикл for и метод append() для добавления нового элемента в конец массива.
Еще один способ — использовать генератор списков (list comprehension), который позволяет создать массив и заполнить его элементами одной строкой кода. Для этого в квадратных скобках необходимо указать выражение, генерирующее случайное целое число, и сколько раз это выражение должно выполниться.
- Пример заполнения массива в цикле for:
- Пример заполнения массива с помощью генератора списков:
Как можно видеть, создание и заполнение массива случайными целыми числами в языке Python достаточно просто и удобно. Благодаря стандартному модулю и подробной документации можно легко решать разнообразные задачи в различных областях.
Как создать массив случайных чисел с плавающей запятой на Python
Для создания массива случайных чисел с плавающей запятой на Python можно использовать библиотеку random. Массив создается при помощи функции random.uniform(), которая генерирует случайное число с плавающей запятой в заданном диапазоне.
Пример создания массива из 5 чисел в диапазоне от 0 до 1:
| import random |
| array = [random.uniform(0, 1) for i in range(5)] |
В этом примере мы использовали генератор списков, который проходит по диапазону от 0 до 4 и для каждого значения генерирует случайное число с плавающей запятой в диапазоне от 0 до 1.
Если нужно создать массив с числами в другом диапазоне, то нужно изменить аргументы функции random.uniform(). Например, массив из 10 чисел в диапазоне от -1 до 1:
| array = [random.uniform(-1, 1) for i in range(10)] |
Также можно использовать функцию numpy.random.rand() из библиотеки numpy, чтобы создать массив случайных чисел с плавающей запятой в интервале [0, 1]. Пример:
| import numpy as np |
| array = np.random.rand(5) |
Эта функция создает массив размером 5×5, если передать аргумент (5, 5).
Генерация случайного массива с определенным диапазоном значений
Для создания случайного массива на Python, нужно не только установить необходимую библиотеку, но и указать диапазон значений элементов, который должен находиться внутри массива. Такой подход поможет избежать создания массива со слишком большими или маленькими значениями, которые не соответствуют требованиям задачи.
В Python для задания диапазона используется функция randint, которая принимает два параметра: наименьшее и наибольшее число. Например, если нужно сгенерировать массив из 10 элементов в диапазоне от 1 до 100:
В данном примере используется цикл for, который повторяется 10 раз и каждый раз добавляет новое случайно сгенерированное число в массив.
Если нужно сгенерировать массив из элементов с плавающей точкой, то вместо функции randint используется функция uniform:
Такой массив будет состоять из 10 чисел с плавающей точкой в диапазоне от 0 до 1.
Кроме того, можно использовать генераторы списков и указать диапазон в самом выражении:
Здесь символ подчеркивания вместо переменной i указывает на то, что в данном случае переменная не используется.
Таким образом, при генерации случайного массива на Python можно указать диапазон значений, контролируя тем самым величину элементов внутри массива.
Генерация случайного массива определенной длины
Генерация случайного массива определенной длины — необходимая задача для многих проектов на языке программирования Python. Если вы хотите создать массив из n случайных чисел, необходимо использовать встроенные функции Python.
Для генерации случайного массива используется модуль random, который позволяет создавать случайные числа или последовательности чисел.
Для генерации массива из n случайных чисел необходимо использовать функцию random.sample(), которая принимает два аргумента: список чисел и количество элементов в новом массиве. Например, если вы хотите создать массив из 10 случайных чисел от 1 до 100, вы можете использовать следующий код:
new_array = random.sample(range(1, 101), 10)
В результате создается массив new_array, содержащий 10 случайных чисел от 1 до 100. Если в списке также содержатся дубликаты, они будут удалены при создании нового массива.
Сделайте генерацию случайных чисел предсказуемой с помощью seed
Seed – это число, которое используется для инициализации генератора случайных чисел. Если каждый раз использовать одинаковый seed, то результат генерации случайных чисел будет предсказуемым.
Для того, чтобы использовать seed, необходимо импортировать модуль random и вызвать функцию seed. Например, можно использовать текущее время как seed:
Также можно использовать любое другое число в качестве seed:
Если каждый раз использовать одинаковый seed, то результат генерации случайных чисел будет предсказуемым. Например, следующий код будет генерировать одну и ту же последовательность случайных чисел каждый раз:
Обратите внимание, что при использовании seed важно использовать его одинаково в разных частях программы. Если вы измените seed где-то в середине программы, то последующие числа будут отличаться от предыдущих.
Лучшие практики создания случайных массивов на Python
1. Используйте библиотеку random. Эта библиотека предоставляет широкий набор функций для работы со случайными числами. Вам не придется самостоятельно разрабатывать сложные алгоритмы для генерации чисел.
2. Установите seed для генерации чисел. Это позволит вам получить одинаковый набор случайных чисел каждый раз, когда вы запускаете свою программу. Для этого воспользуйтесь функцией random.seed().
3. Используйте list comprehension для заполнения массива. List comprehension — это эффективный и краткий способ заполнения массива. Вы можете использовать его для создания массивов любой длины.
4. Используйте numpy для работы с массивами в Python. Numpy представляет собой библиотеку для работы с массивами и матрицами. Она содержит множество удобных функций для создания и обработки случайных массивов.
5. Используйте генераторы случайных чисел. Python предоставляет несколько генераторов случайных чисел. Вы можете использовать их для создания массивов разной длины.
Вопрос-ответ:
Какие библиотеки Python можно использовать для заполнения массива случайными числами?
Для заполнения массива случайными числами можно использовать библиотеки random, numpy и scipy. Каждая библиотека предоставляет свои способы генерации случайных чисел, в зависимости от потребностей программиста.
Заполнение списка рандомными значениями в Python
Статьи
Введение
В этой небольшой статье рассмотрим способы заполнения списка рандомными значениями.
В основном будем использовать функции модуля random.
Заполнение списка используя функции модуля random
Заполнение списка используя функцию randint()
Самая распространённая функция в модуле random это конечно же randint(), и именно им мы воспользуемся в первом способе!
Для начала мы его импортируем, после чего создаём пустой список, который в последствии будем заполнять:
Далее нам понадобится цикл, в котором мы будем заполнять список рандомными значениями:
Осталось только вывести результат:
При желании можно значительно сократить код, и сделать генератор списка:
Заполнение списка используя функцию sample()
Самой подходящей функцией является как раз таки sample(), но почему-то о ней говорят редко.
Для начала естественно импортируем модуль random, после чего сгенерируем список рандомных значений и выведем их:
В функции range() мы указали диапазон чисел, а через запятую количество генерируемых чисел.
Заполнение списка используя функции модуля numpy
Переходим к генерации рандомных чисел с помощью модуля numpy. Из него мы будем использовать функцию randint().
Для начала мы его конечно же импортируем:
Далее создаём список, который мы сразу же заполняем рандомными значениями и выведем его:
В первом параметре мы указываем минимальное значение, которое может быть сгенерировано, во втором – максимальное, и в третьем количество значений.
Заключение
В статье мы с Вами научились генерировать списки с рандомными значениями разными способами. Надеюсь Вам понравилась статья, удачи! ��
Python 3: Генерация случайных чисел (модуль random)¶
Python порождает случайные числа на основе формулы, так что они не на самом деле случайные, а, как говорят, псевдослучайные [1]. Этот способ удобен для большинства приложений (кроме онлайновых казино) [2].
| [1] | Википедия: Генератор псевдослучайных чисел |
| [2] | Доусон М. Программируем на Python. — СПб.: Питер, 2014. — 416 с.: ил. — 3-е изд |
Модуль random позволяет генерировать случайные числа. Прежде чем использовать модуль, необходимо подключить его с помощью инструкции:
random.random¶
random.random() — возвращает псевдослучайное число от 0.0 до 1.0
random.seed¶
random.seed(<Параметр>) — настраивает генератор случайных чисел на новую последовательность. По умолчанию используется системное время. Если значение параметра будет одиноким, то генерируется одинокое число:
random.uniform¶
random.uniform(<Начало>, <Конец>) — возвращает псевдослучайное вещественное число в диапазоне от <Начало> до <Конец> :
random.randint¶
random.randint(<Начало>, <Конец>) — возвращает псевдослучайное целое число в диапазоне от <Начало> до <Конец> :
random.choince¶
random.choince(<Последовательность>) — возвращает случайный элемент из любой последовательности (строки, списка, кортежа):
random.randrange¶
random.randrange(<Начало>, <Конец>, <Шаг>) — возвращает случайно выбранное число из последовательности.
random.shuffle¶
random.shuffle(<Список>) — перемешивает последовательность (изменяется сама последовательность). Поэтому функция не работает для неизменяемых объектов.
Вероятностные распределения¶
random.triangular(low, high, mode) — случайное число с плавающей точкой, low ≤ N ≤ high . Mode — распределение.
random.betavariate(alpha, beta) — бета-распределение. alpha>0 , beta>0 . Возвращает от 0 до 1.
random.expovariate(lambd) — экспоненциальное распределение. lambd равен 1/среднее желаемое. Lambd должен быть отличным от нуля. Возвращаемые значения от 0 до плюс бесконечности, если lambd положительно, и от минус бесконечности до 0, если lambd отрицательный.
random.gammavariate(alpha, beta) — гамма-распределение. Условия на параметры alpha>0 и beta>0 .
random.gauss(значение, стандартное отклонение) — распределение Гаусса.
random.lognormvariate(mu, sigma) — логарифм нормального распределения. Если взять натуральный логарифм этого распределения, то вы получите нормальное распределение со средним mu и стандартным отклонением sigma . mu может иметь любое значение, и sigma должна быть больше нуля.
random.normalvariate(mu, sigma) — нормальное распределение. mu — среднее значение, sigma — стандартное отклонение.
random.vonmisesvariate(mu, kappa) — mu — средний угол, выраженный в радианах от 0 до 2π, и kappa — параметр концентрации, который должен быть больше или равен нулю. Если каппа равна нулю, это распределение сводится к случайному углу в диапазоне от 0 до 2π.
random.paretovariate(alpha) — распределение Парето.
random.weibullvariate(alpha, beta) — распределение Вейбулла.
Примеры¶
Генерация произвольного пароля¶
Хороший пароль должен быть произвольным и состоять минимум из 6 символов, в нём должны быть цифры, строчные и прописные буквы. Приготовить такой пароль можно по следующему рецепту:
Этот же скрипт можно записать всего в две строки:
Данная команда является краткой записью цикла for, вместо неё можно было написать так:
Данный цикл повторяется 12 раз и на каждом круге добавляет к строке psw произвольно выбранный элемент из списка.