Python random模块常用函数及用法详解

Python的内置random模块基于梅森旋转算法（Mersenne Twister）实现，提供了生成随机整数、随机浮点数以及对序列进行随机选取和乱序的一整套工具。本文将梳理该模块中最常用的核心函数，解释它们各自的参数边界与使用场景，并说明如何通过随机种子控制测试结果，以及在密码学与敏感数据场景下的安全限制。

一、伪随机数机制与 random.seed()

计算机生成的随机数绝大多数属于“伪随机数”（Pseudo-random Numbers）。其底层是通过特定的数学算法（Python 使用的是 19937 周期的梅森旋转算法）依据一个初始值连续推导出的数值序列。这个初始值被称为“随机种子”（Seed）。

如果种子固定，算法后续生成的每一步随机数序列都是完全确定的。默认情况下，Python 会在加载模块时使用操作系统的熵源（或当前系统时间戳）初始化种子，因此每次启动程序时生成的数值都不相同。

在单元测试、算法调试或数据科学实验中，固定随机种子能确保每次运行代码得到完全相同的输出结果，便于问题复现与验证：

import random

# 设置固定种子
random.seed(2026)
val_a = random.randint(1, 100)

random.seed(2026)
val_b = random.randint(1, 100)

print(val_a == val_b)  # 输出为 True，两次生成的整数完全一致

二、生成随机数字（浮点数与整数）

1. random.random() 与 random.uniform(a, b)

random.random() 是该模块的基础底层函数，不接受任何参数，返回一个在半开区间 [0.0, 1.0) 内的随机浮点数（包含 0.0，但不包含 1.0）。

random.uniform(a, b) 用于获取指定范围内的浮点数。其边界遵循算式 a + (b - a) * random()，这意味着结果始终落在 [a, b]（或 [b, a]）之间。在浮点舍入精度边界上，终点 b 理论上有可能被取到。

import random

# 生成 0 到 1 之间的概率值
rate = random.random()
print("基础浮点:", rate)  # 示例输出: 0.742819283719

# 生成指定区间的浮点数（支持倒序输入）
temp = random.uniform(18.5, 26.0)
print("随机温度:", temp)  # 示例输出: 23.4182910293

2. random.randint(a, b) 与 random.randrange()

生成随机整数时，最容易产生混淆的是 randint 与 randrange 在边界定义上的不同：

• random.randint(a, b)：闭区间。生成的整数满足 a <= N <= b，两端参数均可被取到。内部直接调用了 randrange(a, b + 1)。
• random.randrange([start,] stop[, step])：左闭右开区间。行为与 Python 内置的 range() 完全一致，生成的数值严格小于 stop。支持通过 step 指定步长。

import random

# 模拟掷骰子（1 到 6 均可能出现）
dice = random.randint(1, 6)
print("骰子点数:", dice)

# 生成 0 到 99 之间的偶数（右侧开区间，步长为 2）
even_num = random.randrange(0, 100, 2)
print("随机偶数:", even_num)

三、序列操作函数（选取、抽样与打乱）

1. 单项选取：random.choice(seq)

choice 从非空序列（列表、元组、字符串）中随机返回一个元素。若传入的序列为空，将直接抛出 IndexError。

import random

fruits = ["苹果", "香蕉", "橙子", "西瓜"]
picked = random.choice(fruits)
print("今天吃:", picked)

2. 多项抽样：sample() 与 choices()

当需要从序列中抽取多个元素时，必须区分是“无放回抽样”还是“有放回抽样”：

• random.sample(population, k)：无放回抽样。每次选出的元素不会放回池中，抽取的 k 个结果互不重复。若 k 大于样本池总长度，会抛出 ValueError。原序列不会受到任何修改。
• random.choices(population, weights=None, k=1)：有放回抽样。抽出的元素可能被再次抽中。该函数支持通过 weights（相对权重）或 cum_weights（累加权重）为每个元素指定被抽中的概率。

import random

cards = ["A", "B", "C", "D", "E"]

# 抽 3 张不重复牌
hand = random.sample(cards, 3)
print("抽卡结果:", hand)  # 示例: ['C', 'A', 'E']

# 抽奖机制：金奖概率 5%，银奖 15%，铜奖 80%
prizes = ["金奖", "银奖", "铜奖"]
weights = [5, 15, 80]
draw_results = random.choices(prizes, weights=weights, k=5)
print("抽奖5次结果:", draw_results)

3. 序列乱序：random.shuffle(list)

random.shuffle(x) 将可变序列（如列表）中的元素原地（in-place）随机打乱次序。需要特别注意：

• 该函数返回值为 None，不可写成 new_lst = random.shuffle(old_lst)。
• 参数必须是支持修改的可变序列。若传入元组或字符串，会引发 TypeError。若需要打乱不可变序列，应使用 random.sample(seq, len(seq)) 生成乱序副本。

import random

deck = [1, 2, 3, 4, 5]
random.shuffle(deck)
print("打乱后的列表:", deck)  # 原列表被修改，示例: [3, 1, 5, 2, 4]

四、常用函数特性速查与选型

为便于开发时快速确定具体函数，下表总结了各函数在传参、取值边界及返回类型上的核心差异：

五、安全场景警告：何时使用 secrets 模块

random 模块完全基于梅森旋转算法，该算法属于非加密安全的伪随机数生成器（PRNG）。其内部状态由 624 个 32 位整数组成，任何攻击者在观察到连续的 624 次输出后，均可通过数学推导完全预测未来的所有随机数。

在涉及敏感业务（例如生成用户密码、邮箱验证码、重置凭据 Token、API 鉴权密钥）时，应直接使用 Python 3.6 引入的 secrets 模块替代 random：

import secrets

# 生成密码学安全的随机 Token
auth_token = secrets.token_hex(16)
print("安全Token:", auth_token)

# 生成密码学安全的区间整数（满足 0 <= n < 100）
secure_code = secrets.randbelow(1000000)
print("6位验证码:", f"{secure_code:06d}")

熟练掌握各函数区间的闭合逻辑以及抽样时的放回规则，能够避免开发中绝大多数随机数相关的边界错误；在明确业务是否涉及安全凭证后做出正确的模块选型，则是保证系统稳定与安全的基础。