提高随机数生成效率的python自带函数

发布时间：2023-05-13

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

Python 3.6 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], [0.5, 0.5], 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 beta 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。

推荐文章