您的位置:

提高随机数生成效率的python自带函数

在日常开发中,经常需要使用随机数来产生一些随机数据或者进行数据加密。而在python中,有许多自带的函数可以用来生成随机数。本文将会从多个方面来阐述如何提高Python自带函数生成随机数的效率。

一、使用random模块

Python标准库中提供了random模块来生成随机数。在这个模块中,提供了一些函数,可以用来生成伪随机数、均匀分布的随机数、服从正态分布的随机数等等。

import random
random.seed(1)  # 设置随机种子
print(random.random())  # 生成0到1之间的随机数

如果需要生成一个1到100之间的随机整数,可以使用random.randint函数:

print(random.randint(1, 100))  # 生成1到100之间的随机整数

如果需要生成一个从指定序列中随机取出的元素,可以使用random.choice函数:

print(random.choice(['apple', 'banana', 'cherry']))  # 从序列中随机选择一个元素

在使用random生成大量随机数时,需要注意的是,random函数调用是有一定的时间开销的。因此,可以考虑使用numpy库提供的更高效的随机数生成函数。

二、使用numpy模块

numpy库提供了一些更高效的随机数生成函数,如uniform、randint、normal等等,可以比random模块更快的生成随机数,特别是在生成大量随机数时,可以显著提高效率。

import numpy as np
print(np.random.uniform(0, 1))  # 生成0到1之间的随机数
print(np.random.randint(1, 100))  # 生成1到100之间的随机整数
print(np.random.choice(['apple', 'banana', 'cherry']))  # 从序列中随机选择一个元素

三、使用random.choices

Python3.6以上版本提供了一个新的函数choices,它也可以用来生成随机序列。相比于random.choice而言,choices可以生成多个元素。使用时需要传入一个序列作为参数,还可以指定权重。例如,下面的代码会在'a', 'b', 'c'中随机地生成3个元素:

import random
res = random.choices(['a', 'b', 'c'],k=3)
print(res)  # ['a', 'b', 'a']

随机结果可以带有偏向,例如选择在1和2之间的浮点数,偏向于1.5:

import random
res = random.choices([1,2], [(1-.5), .5], k=100)
print(res)  # [1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, ......]

四、使用numpy.random中的高级函数

numpy.random中提供了一些更加高级的随机数生成函数,如beta、exponential、gamma等等。

import numpy as np
print(np.random.beta(1, 3))  # 生成在0到1之间的随机数符合betadistribution分布
print(np.random.exponential(2))  # 以指定的λ为参数生成指数分布
print(np.random.gamma(4, 2, 10))  # 以指定的形状和尺度参数生成gamma分布

五、结合使用随机数生成和字典

在实际应用中,很多场景会需要在一定规则下生成一些数据,可以结合使用random和字典来完成。

import random

name_prefix = ['Red', 'Blue', 'Green']
last_name = ['apple', 'banana', 'cherry']

data = {}
for i in range(10):
    data[f"{random.choice(name_prefix)}_{random.choice(last_name)}"] = random.randint(0, 100)
print(data)
# {'Green_banana': 57, 'Blue_cherry': 80, 'Blue_apple': 8, 'Red_apple': 73, 'Green_apple': 39, 'Green_cherry': 31, 'Red_banana': 46, 'Red_cherry': 81, 'Blue_banana': 83, 'Green_apple': 74}

六、结合使用random和numpy生成更加复杂的数据

在一些较为复杂的场景下,可以结合使用random和numpy来生成更加复杂的数据。

import numpy as np
import random

raw_data = np.random.randint(0, 10, (3, 2))  # 使用numpy随机生成二维数组
transformed_data = []
for i in range(3):
    transformed_data.append({
        'name': f"name_{i}",
        'data': {
            'col_1': raw_data[i][0] * random.randint(1, 10),
            'col_2': raw_data[i][1] * random.randint(1, 10),
         }
    })
print(transformed_data)
# [{'name': 'name_0', 'data': {'col_1': 8, 'col_2': 60}}, {'name': 'name_1', 'data': {'col_1': 28, 'col_2': 48}}, {'name': 'name_2', 'data': {'col_1': 72, 'col_2': 9}}]

七、总结

本文主要介绍了Python中提高随机数生成效率的一些方法,包括使用random模块、numpy模块、choices函数、numpy.random中的高级函数、结合使用随机数生成和字典以及结合使用random和numpy生成更加复杂的数据等等。在实际应用中,需要结合具体场景选择合适的方法来提高随机数生成效率。