import random
random.gauss(1, 3)

（7）用作选择器：从序列中随机选取一个元素

• random.choice(seq)：从非空序列 seq 返回一个随机元素。其中 seq 可以是包括列表、元组、range序列，甚至字符串在内的任意Python序列类型。如果 seq 为空，则引发 IndexError。

  import random
  random.choice(["我","爱","学","习","Python","编","程"])
  random.choice("今天天气不错")
  

• random.choices(population, weights=None, *, cum_weights=None, k=1)：从population中选择替换，返回大小为 k 的元素列表。 如果 population 为空，则引发 IndexError。

  • 如果指定了 weight 序列，则根据相对权重进行选择；
  • 如果给出 cum_weights 序列，则根据累积权重（可能使用 itertools.accumulate() 计算）进行选择；
  • 如果既未指定 weight 也未指定 cum_weights ，则以相等的概率进行选择；
  • weights 或 cum_weights 可以使用任何与 random() 返回的 float 值互操作的数值类型（包括整数，浮点数和分数但不包括十进制小数）

（8）随机打乱序列元素位置（序列洗牌函数）

将序列 x 随机打乱位置。

• 可选参数 random 是一个0参数函数，在 [0.0, 1.0) 中返回随机浮点数；
• 默认情况下，这是函数 random()

  import random
  x = ["我","爱","学","习","Python","编","程"]
  random.shuffle(x)
  x
  

  Out[R]：[‘程’, ‘编’, ‘我’, ‘习’, ‘Python’, ‘学’, ‘爱’]

（9）无重复随机抽样

通过无重复随机抽样返回包含来自总体的元素的新列表，同时保持原始总体不变。

• population： 集合或者序列，为样本总体的容器；
• k： int，抽取的子序列的长度（元素个数）；
• counts：list，元素为重复样本的权重，即该样本的出现次数。counts中的元素与population的元素一一对应。
  【代码1】

  import random
  population = ['王', '者','荣','耀']
  random.sample(population,counts=[4, 3, 2, 1], k=3)
  

  和下面的代码时等效的：
  【代码2】

  import random
  population = ['王', '王', '王', '王', '者', '者', '者', '荣', '荣', '耀']
  random.sample(population,counts=[4, 3, 2, 1], k=3)
  

这里无重复随机抽样中的无重复不是说返回的元素不能有一样的，而是指用的是五放回抽样。

3. Numpy伪随机数模块numpy.random

3.1 numpy中的随机生成器

3.3.1 [简单了解]Permuted Congruential Generator（PCG）

该算法更详细内容可以参考https://www.pcg-random.org/。

Permuted Congruential Generator（PCG）即所谓置换同余生成器，是用于随机数生成的一系列简单、快速、节省空间的，统计上良好的算法。在Python编程中，生成器是一种特殊的函数。生成器与普通函数不同的是，它返回迭代器的函数，只能用于迭代操作。生成器（generator）的应用往往解决了存储空间不足的问题，无需再程序以开始就完整计算整个值。

从RandomState类到Generator类

在之前，Numpy.random模块与Python内建的random等模块类似，直接使用马特赛特旋转演算法（Mersenne Twister）伪随机数生成器的容器，并提供有RandomState类：

由于该类不是最好的选择，其用法仅以伪代码简要介绍如下：

from numpy.random import MT19937
from numpy.random import RandomState

rs1 = RandomState(12345)          # 获取seed=12345的RandomState()实例 rs
mt19937 = MT19937()              # 旧版MT19937 BitGenerator
mt19937.state = rs.get_state()   # get_state()方法返回一个表示生成器内部状态的元组。
rs2 = RandomState(mt19937)       # 获取seed为mt19937状态的RandomState()实例 rs2 

# 随机返回数值
rs1.random()
rs2.random()

# 按照标准正态分布随机返回数值
rs1.standard_normal()
rs2.standard_normal()

# 按照指数分布随机返回数值
rs1.standard_exponential()
rs2.standard_exponential()

# 以上是控制可获取随机状态，即rs1和rs2都传入了seed参数。
# 不传参数时才能随机中获取不一样的值（见之前关于计算机随机的介绍）。
# 要使用随机性，可以参考下面的做法
rs = RandomState()
rs.random()                  # 从[0.0，1.0)上随机抽取浮点数样本
rs.rand(d0, d1, …, dn)       # 从标准正态分布中返回一个或多个样本。
rs.normal([loc, scale, size])# 从正态（高斯）分布中抽取随机样本
rs.standard_normal()         # 从标准正态（高斯）分布中抽取随机样本
rs .standard_exponential()   # 从标准指数分布中随机抽取样本
rs.shuffle(X)                # 对X进行洗牌，即随机打乱顺序。X是一个序列，如列表。
rs.beta(a, b[, size])        # 从Beta分布中随机抽取样本
binomial(n, p[, size])       # 从二项分布中随机抽取样本
chisquare(df[, size])        # 从卡方分布中抽取样本
rs.dirichlet(alpha[, size])  # 从Dirichlet分布中抽取样本