Python生成随机数：random模块常用函数与用法

一、伪随机数机制与种子控制：random.seed()

计算机本身是确定性的机器，无法在没有外部物理熵源的情况下生成纯粹意义上的绝对随机数。Python 标准库的 random 模块实现的是伪随机数生成器（PRNG），其底层采用的是经典的 梅森旋转算法（Mersenne Twister，MT19937）。该算法具有长达 2¹⁹⁹³⁷ - 1 的巨大周期，在统计学上拥有优异的均匀分布特性。

伪随机数的核心特征在于：给定相同的初始种子（Seed），算法将推演出完全一致的数字序列。在默认情况下，如果不显式指定种子，Python 会自动读取操作系统的系统时间或系统随机熵（如 /dev/urandom）作为种子，因此每次执行程序都会得到看似不可预测的结果。

import random

# 1. 显式设置随机种子
random.seed(42)
print("种子 42 首次输出:", random.random())
print("种子 42 第二次输出:", random.randint(1, 100))

# 2. 重新初始化为相同的种子
random.seed(42)
print("重置种子 42 后再次输出:", random.random())
print("重置种子 42 后再次输出:", random.randint(1, 100))

示例运行输出：

# 种子 42 首次输出: 0.6394267984578837
# 种子 42 第二次输出: 82
# 重置种子 42 后再次输出: 0.6394267984578837
# 重置种子 42 后再次输出: 82

可以看到，在重置 random.seed(42) 后，生成的浮点数与整数与前次完全相同。在工程实践中，显式设定种子常用于算法调试、单元测试基准对比以及数据分析实验的可复现性保障。而在生产环境的常规随机需求中，则应保留默认行为，避免固定种子导致输出失去多样性。

二、生成整数随机数：randint 与 randrange

在需要获取离散整数时，random 模块提供了两个最为核心的函数：randint(a, b) 和 randrange(start, stop[, step])。理解它们在边界开闭上的差异，是避免“差一错误（Off-by-one Error）”的关键。

1. random.randint(a, b)

randint(a, b) 用于生成一个满足 a <= N <= b 的随机整数 N。它的突出特点是全闭区间，两端端点 a 和 b 均有可能被返回。

import random

# 模拟投掷一颗 6 面骰子，结果在 1 到 6 之间（包含 1 和 6）
dice_result = random.randint(1, 6)
print(f"掷骰子点数: {dice_result}")

# 生成 4 位短信随机数字验证码（仅示例非安全业务场景）
code = random.randint(1000, 9999)
print(f"生成的四位数: {code}")

2. random.randrange(start, stop[, step])

randrange 的行为与 Python 内置的 range() 语法完全保持一致，生成范围属于左闭右开区间 [start, stop)。它不会返回 stop 本身，同时支持设定步长 step。

import random

# 生成 0 到 9 之间的索引整数（包含 0，不包含 10）
index = random.randrange(0, 10)
print(f"有效索引: {index}")

# 生成 0 到 100 之间的偶数（包含 0，步长为 2，不包含 100）
even_num = random.randrange(0, 100, 2)
print(f"随机偶数: {even_num}")

# 生成 1 到 99 之间的奇数（步长为 2）
odd_num = random.randrange(1, 100, 2)
print(f"随机奇数: {odd_num}")

三、生成浮点随机数：random、uniform 与概率分布

处理连续数值空间、概率计算与物理仿真时，主要依赖浮点数生成函数。

1. random.random()

random.random() 是整个模块最基础的源泉函数。它不接收任何参数，直接返回一个范围在 [0.0, 1.0) 的均匀分布浮点数。由于其结果属于标准概率区间，常用于概率触发条件：

import random

val = random.random()
print(f"基础浮点值: {val:.6f}")

# 实现 25% 暴击率的判断逻辑
if random.random() < 0.25:
    print("触发暴击！")
else:
    print("普通攻击")

2. random.uniform(a, b)

uniform(a, b) 用于获取指定区间内的均匀分布浮点数。无论 a < b 还是 a > b，该函数均能正常工作，其计算公式为 a + (b - a) * random()。在理论上，端点包含性取决于浮点数舍入计算。

import random

# 模拟采集 20.0 到 35.0 摄氏度之间的室内环境温度
temp = random.uniform(20.0, 35.0)
print(f"模拟传感器温度: {temp:.2f} ℃")

四、序列操作：choice、sample 与 shuffle

当数据存在于列表、元组等序列结构中时，编写手动的随机索引不仅冗长，而且容易出错。random 模块提供了高度封装的序列操作函数：

import random

fruits = ["苹果", "香蕉", "樱桃", "葡萄", "芒果"]

# 1. choice：单选一个元素
selected = random.choice(fruits)
print("随机选中水果:", selected)

# 2. sample：无放回抽取 3 个互不相同的水果
lucky_draw = random.sample(fruits, 3)
print("抽取奖品组 (互异):", lucky_draw)

# 3. choices：带权重有放回抽取 4 次
# 苹果权重为 70%，其余各占 10%
weighted_result = random.choices(fruits, weights=[0.7, 0.1, 0.1, 0.05, 0.05], k=4)
print("权重抽样 (可重复):", weighted_result)

# 4. shuffle：就地打乱列表顺序
cards = [1, 2, 3, 4, 5]
random.shuffle(cards)
print("洗牌后的列表:", cards)

五、工程实践与安全边界：random 与 secrets 的选型

在实际工程开发中，一个至关重要的架构认知是：绝对不要将 random 模块用于安全敏感场景。

1. 为什么 random 不能用于密码学安全？

梅森旋转算法的设计初衷是统计学均匀性与极高的执行速度，而非密码学抗攻击性。该算法的内部状态完全由 624 个 32 位整数（共 19937 个二进制位）决定。如果攻击者连续观察到梅森旋转算法输出的 624 个随机数，便可以通过解线性方程组在毫秒级时间内完整推导还原出内部状态，进而精确预测后续生成的所有随机数，甚至反推历史输出。

2. 安全场景的唯一正确解：secrets 模块

从 Python 3.6 开始，标准库提供了专用的加密安全伪随机数生成器（CSPRNG）模块：secrets。该模块直接对接操作系统的最高安全级别熵源（如 Linux 的 getrandom() 系统调用、Windows 的 BCryptGenRandom），具备不可预测性。

import secrets

# 1. 生成加密安全的随机十六进制 Token（如用于 Session ID、重置密码令牌）
token = secrets.token_hex(16)
print("安全 Hex Token:", token)

# 2. 生成安全的 URL 安全 Base64 字符串
url_token = secrets.token_urlsafe(16)
print("URL 安全 Token:", url_token)

# 3. 生成密码学安全的随机数范围（如生成 6 位短信安全验证码）
secure_code = secrets.randbelow(900000) + 100000
print("安全验证码:", secure_code)

# 4. 从字符集中安全选取单个元素
secure_char = secrets.choice("abcdefghijklmnopqrstuvwxyz0123456789")
print("安全随机字符:", secure_char)

六、高频问题与工程避坑指南

在实际编写与维护 Python 代码时，以下是开发者容易遇到的典型问题及规范解决方式：

1. 多进程（multiprocessing）中子进程生成相同随机序列

在 Linux 等 POSIX 操作系统中，multiprocessing 默认采用 fork 创建子进程。子进程会完全继承父进程的内存空间状态，包括 random 模块当前的内部状态向量。如果在父进程中已经初始化了随机数，那么所有 fork 出来的子进程将产生完全一模一样的随机数序列。

解决方案：在子进程的工作函数开始执行时，显式调用一次无参的 random.seed()，使各个子进程重新从操作系统熵源获取独立的初始状态。

2. choice 与 sample 处理空序列报错

调用 random.choice([]) 会抛出 IndexError: Cannot choose from an empty sequence；而当抽取数量 k > len(population) 时，random.sample() 会抛出 ValueError。在编写业务代码前，必须增加非空校验或前置边界防御判断。

3. random 模块的线程安全性

Python 标准库中 random 模块的单例实例是线程安全的，底层操作具备锁保护。但在高并发多线程场景下，多个线程争抢同一个全局锁可能会产生细微的性能竞争。若对吞吐量有极致要求，可以通过 random.Random() 为每个工作线程创建独立的随机实例。

七、总结回顾

Python 的 random 模块为日常编程提供了极其高效、方便的伪随机数工具集合：

• 控制可复现性：使用 random.seed(a) 锁定随机起点，保障调试与实验的一致性。
• 离散整数生成：需要包含两端端点时使用 randint(a, b)；需要与索引对其或指定步长时使用 randrange(start, stop, step)。
• 连续浮点生成：利用 random() 生成 [0.0, 1.0) 基础概率值；利用 uniform(a, b) 生成指定区间的连续数值。
• 容器序列处理：抽取单个元素用 choice()；提取互异子集用 sample()；打乱原列表用 shuffle()（切记不可接收其返回值）。
• 安全边界防护：遇到用户密码、API Token、支付凭证等敏感信息时，严格切换为 secrets 模块。

掌握这些核心函数及其底层边界，能够帮助开发者在游戏开发、数据模拟及日常脚本编写中游刃有余、稳健编码。