Python生成指定范围内不重复的随机数

七月
七月
发布时间:2026-11-18| 9人浏览过
原创

详细讲解在Python中生成指定数值范围内互不重复随机数的实用方法,涵盖random.sample、全量洗牌、集合查重及加密安全场景的适用条件与边界处理。

在 Python 中生成指定整数范围内互不重复的随机数,最直接、标准且高效的解法是使用标准库内置的 random.sample(range(start, stop), k)。该方法底层实现了无放回抽样,能够在不产生多余列表副本的前提下,精确抽取指定数量且各不相同的整数。

一、核心解决方案:使用 random.sample()

日常开发中最普遍的需求是在区间 [start, stop - 1] 内挑选 k 个各不相同的随机整数。标准库模块 random 提供了 sample() 函数,配合 Python 3 的惰性求值对象 range(),可以做到开箱即用且性能优异。

import random

# 目标:在 1 到 100 之间(含 1 和 100)随机抽取 8 个互不重复的整数
start = 1
end = 100
count = 8

# 注意:range 的右边界是开区间,因此取值上限需为 end + 1
unique_numbers = random.sample(range(start, end + 1), count)

print("生成的不重复随机数列表:", unique_numbers)
# 示例输出:[42, 17, 88, 3, 95, 61, 29, 74]

在这段代码中,range(1, 101) 构成候选数字池。Python 3 中的 range 并不会立即在内存中创建容纳 100 个数字的完整列表,而是一个轻量级的可迭代序列对象。random.sample() 能直接对其建立索引抽样,因此即便是范围很大的数值区间,内存开销也十分受控。

Python生成指定范围内不重复的随机数
图 1:使用 random.sample() 抽取不重复随机数的核心流程
关键边界提醒:抽取数量 k 绝不能超出候选区间所包含的整数总数。例如 range(1, 10) 中只有 9 个整数,若传入 k=10,Python 将直接抛出 ValueError: Sample larger than population or negative。在封装通用函数时,必须对 k 进行前置判断。

二、机制对比:有放回抽样 vs 无放回抽样

初学者容易尝试在 while 循环中调用 random.randint() 并配合 set 进行去重,或者误用 random.choices()。理解“有放回”与“无放回”的区别,是选用正确方法的关键。

Python生成指定范围内不重复的随机数
图 2:有放回与无放回抽样机制原理对比

如果使用 random.randint() 在循环中抽样并向集合 set 添加元素,当抽取数量接近范围上限时,冲突概率会急剧增加,导致循环次数呈几何级数上升(即经典的生日悖论与球箱模型冲突)。因此,无放回抽样应当始终作为第一选择。

三、场景扩展与变体实现

1. 全量打乱顺序:random.shuffle()

当需要把指定范围内的所有数字全部打乱并按随机顺序输出(例如扑克牌洗牌、全量学员抽签出场顺序)时,抽取数量 k 等于总体容量。此时直接使用 random.shuffle() 就地洗牌最为高效直观。

import random

# 创建包含 1 到 10 的列表
numbers = list(range(1, 11))

# 就地打乱列表顺序(修改原列表,不返回新对象)
random.shuffle(numbers)

print("打乱后的完整数字列表:", numbers)
# 示例输出:[7, 2, 10, 4, 1, 9, 3, 5, 8, 6]

random.shuffle() 采用的是经典的 Fisher-Yates 洗牌算法,时间复杂度严格为 O(N),保证每一个排列的出现概率完全均等。

2. 超大稀疏范围与动态排重

在某些特定场景下,数字取值区间极为庞大(如 1 到 10^12),但只需极少量的几个随机数(例如 3 个全局防碰撞测试 ID)。虽然 Python 3 的 range 本身不占内存,但在非常巨大的范围上,也可以使用显式集合进行轻量抽取:

import random

def generate_sparse_unique_randoms(low, high, k):
    """
    适用于大范围、少量抽取的稀疏排重场景
    """
    if k > (high - low + 1):
        raise ValueError("抽取数量不能大于范围容量")
    
    selected = set()
    while len(selected) < k:
        num = random.randint(low, high)
        selected.add(num)
    
    return list(selected)

# 从千亿级范围中获取 4 个不重复的随机数
print(generate_sparse_unique_randoms(1, 100_000_000_000, 4))
# 示例输出:[19482710384, 84729104812, 5109283719, 93847291024]

3. 安全敏感场景:secrets 模块

random 模块使用的是 Mersenne Twister(梅森旋转算法),它属于伪随机数生成器(PRNG),其内部状态在观察到一定数量的输出后是完全可预测的。如果生成的随机数用于一次性密码验证码、安全令牌、抽奖防作弊或秘钥派生,必须改用标准库中的 secrets 模块。

import secrets

# 使用操作系统底层安全随机源 (如 /dev/urandom 或 CryptGenRandom)
secure_rng = secrets.SystemRandom()

# 在 100000 到 999999 之间抽取 5 个不重复的验证码候选
secure_codes = secure_rng.sample(range(100000, 1000000), 5)

print("密码学安全的随机数序列:", secure_codes)
# 示例输出:[829104, 301948, 672109, 458120, 194823]

四、方案选型决策路径

针对不同的业务场景、抽取规模以及安全性要求,可以通过如下决策路径挑选出最贴合需求的方法:

Python生成指定范围内不重复的随机数
图 3:不重复随机数生成方案决策路径

五、综合总结与技术选型对照

为了便于在工程实践中快速查阅与选型,下表将本文讨论的核心方法从适用场景、底层复杂度及常见错误点进行横向对照:

实现方法 适用场景 时间复杂度 内存消耗 核心优势与避坑点
random.sample(range, k) 通用场景,部分无放回抽取 O(k) O(k) 首选方案;注意 k 严禁超过范围总容量。
random.shuffle(list) 需要全量元素随机打乱次序 O(N) O(N) 直接修改原列表;必须先把 range 展开为列表。
set + random.randint 极大稀疏范围中的极小量抽取 接近 O(k) O(k) 仅在范围远大于抽取数时可用;若抽取比例高易陷入自旋。
secrets.SystemRandom 验证码、密码生成、抽奖防作弊 O(k) O(k) 密码学安全,无法通过历史序列逆向预测,系统调用开销稍高。
Python生成指定范围内不重复的随机数
图 4:Python 生成不重复随机数核心要点与规范速查
相关专题:

免责声明:本文内容仅供参考,不代表本站观点。转载或引用请注明出处。

Python 相关产品和应用

全部下载
Selenium

Selenium

4.51.0 · Windows

用于浏览器自动化和 Web 测试的 Python 工具。

scikit-learn

scikit-learn

1.9.1 · Windows

常用 Python 机器学习算法与模型评估工具库。

Black

Black

26.10.1 · Windows

强调一致性的 Python 自动代码格式化工具。

Ruff

Ruff

0.17.1 · macOS

由 Rust 编写的高速 Python 代码检查和格式化工具。

pytest

pytest

9.1.1 · Windows

简洁而强大的 Python 自动化测试框架。

FastAPI

FastAPI

0.146.0 · Windows

高性能 Python API 框架,支持类型提示和自动接口文档。

Flask

Flask

3.1.3 · Windows

轻量灵活的 Python Web 应用框架。

Django

Django

6.1.2 · Windows

成熟的 Python Web 框架,适合构建内容站点和业务系统。

Spyder

Spyder

6.1.7 · Windows

面向科学计算与数据分析的 Python 集成开发环境。

SciPy

SciPy

1.18.1 · Windows

面向科学、工程和技术计算的 Python 算法库。