import random # 随机数模块
lists = [1, 2, 3, 4, 5]
def demo():
# 产生[0, 100]随机整数
num = random.randint(0, 100)
print(num)
# 产生[0, 100)随机浮点数
fnum = random.uniform(0, 100)
print(fnum)
# 随机获取元素
elem = random.choice(lists)
print(elem)
# 打乱顺序
random.shuffle(lists)
print(lists)
def funs():
# seed(a=None, version=2) // 初始换生成器的随机数
random.seed()
random.getstate() # 获取生成器内部状态
random.setstate(random.getstate()) # 设置生成器内部状态
# 获取随机数
num = random.getrandbits(8) # 获取x位(bit)随机整数
# randrange(stop) / randrange(start, stop[, step]) // 生成随机整数
num = random.randrange(0, 100, 2) # [0,100)产生的随机整数+2
# randint(a, b) == randrange(a, b + 1) // [a, b]
num = random.randint(0, 1)
fnum = random.random() # 获取浮点随机数 [0.0, 1.0)
fnum = random.uniform(1, 2) # 获取指定范围内的浮点随机数 [1.0, 2.0)
# triangular(low, high, mode) // 获取随机浮点数, low低边界(默认0),high高边界(默认1),模式(默认边界中点)
fnum = random.triangular(0, 1, 1.5)
# betavariate(alpha, beta) // Beta分布,[0.0, 1.0]
fnum = random.betavariate(1, 1)
# expovariate(lambd) // 指数分布, lambd返回整,值[0, +∞]; lanbd返回负,值[-∞, 0]
fnum = random.expovariate((lambda arg1, arg2: arg1 + arg2)(1, 2)) # lambd返回值越小,获得值越大
# gammavariate(alpha, beta) // 伽玛分布
fnum = random.gammavariate(1, 1)
# gauss(mu, sigma) // 高斯分布 mu:平均值, sigma:标准偏差
fnum = random.gauss(1, 1)
# lognormvariate(mu, sigma) // 对数正态分布,获得平均值mu和标准偏差sigma的正态分布; mu:任何值,sigma:>0。
fnum = random.lognormvariate(1, 1)
# normalvariate(mu, sigma) // 正态分布, mu是平均值, sigma是标准偏差
fnum = random.normalvariate(1, 1)
# vonmisesvariate(mu, kappa) // 冯米塞斯分布的随机数。mu:平均角度(弧度[0, 2*pi]), kappa:集中程度>=0
fnum = random.vonmisesvariate(1, 1)
# paretovariate(alpha) // 帕累托分布, alpha:形状
fnum = random.paretovariate(1)
# weibullvariate(alpha, beta) // 韦伯分布, alpha:缩放, beta:形状
fnum = random.weibullvariate(1, 1)
elem = random.choice(lists) # 非空序列中取出随机元素, 序列为空抛IndexError
elems = random.sample(lists, 3) # 从列表中随机获取3个元素, 范围>列表大小,抛ValueError
# 打乱顺序
random.shuffle(lists) # 打乱序列