importrandomstate=random.getstate()

importrandomrandom.setstate(state)

importrandomrandom.random()

importrandomrandom.uniform(2, 3)

importrandomrandom.randint(0, 9) # 生成[0,9]上的随机整数

importrandomrandom.randrange(1, 9[, 2])

importrandomrandom.gauss(mu, sigma)

importrandomrandom.gauss(1, 3)

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

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

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

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

fromnumpy.randomimportMT19937fromnumpy.randomimportRandomStaters1=RandomState(12345)          # 获取seed=12345的RandomState()实例 rsmt19937=MT19937()              # 旧版MT19937 BitGeneratormt19937.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rs.f(dfnum, dfden[, size])   # 从F分布中抽取样本rs.gamma(shape[, scale, size])                  # 从Gamma分布中抽取样本rs.geometric(p[, size])                         # 从几何分布中抽取样本rs.gumbel([loc, scale, size])                   # 从Gumbel分布中抽取样本rs.hypergeometric(ngood, nbad, nsample[, size]) # 从超几何分布中抽取样本

fromnumpy.randomimport (
Generator, 
PCG64, 
SeedSequence)
sg=SeedSequence(1234)                                  # 获取熵值（熵在信息理论中反应不确定度，实际中有系统收集，见上文）rg= [Generator(PCG64(s)) forsinsg.spawn(10)]         # 使用这些值生成新的BitGenerator

fromnumpy.randomimportdefault_rngrng=default_rng()          # 构造一个随机数生成器类rngrng.integers(low[, high, size, dtype, endpoint])        # 从返回随机整数low（含）到high（不含），# 或者如果endpoint=True，low（含）到 high（含）rng.random([size, dtype, out])                          # 返回[0.0，1.0)上的一个随机浮点随rng.choice(a[, size, replace, p, axis, shuffle])        # 随机选择样本rng.bytes(length)                                       # 返回随机字节，length为字节长度rng.shuffle(x[, axis])              # 序列洗牌（随机打乱顺序）rng.permutation(x[, axis])          # 随机排列序列，或返回排列范围rng.permuted(x[, axis, out])        # 随机置换X沿轴轴线rng.beta(a, b[, size])              # 从Beta分布中抽取样本rng.binomial(n, p[, size])          # 从二项分布中抽取样本rng.chisquare(df[, size])           # 从卡方分布中抽取样本rng.dirichlet(alpha[, size])        # 从Dirichlet分布中抽取样本rng.exponential([scale, size])      # 从指数分布中抽取样本rng.f(dfnum, dfden[, size])         # 从F分布中抽取样本rng.gamma(shape[, scale, size])     # 从Gamma分布中抽取样本rng.geometric(p[, size])            # 从几何分布中抽取样本rng.gumbel([loc, scale, size])      # 从Gumbel分布中抽取样本rng.hypergeometric(ngood, nbad, nsample[, size])        # 从超几何分布中抽取样本rng.laplace([loc, scale, size])           # 从具有指定位置（或均值）和比例（衰减）的# 拉普拉斯或双指数分布中抽取样本rng.logistic([loc, scale, size])          # 从逻辑分布中抽取样本rng.lognormal([mean, sigma, size])        # 从对数正态分布中抽取样本rng.logseries(p[, size])                  # 从对数级数分布中抽取样本rng.multinomial(n, pvals[, size])         # 从多项分布中抽取样本rng.multivariate_hypergeometric(colors, nsample)        # 从多元超几何分布生成变量rng.multivariate_normal(mean, cov[, size, …])           # 从多元正态分布中抽取随机样本rng.negative_binomial(n, p[, size])                     # 从负二项分布中抽取样本rng.noncentral_chisquare(df, nonc[, size])              # 从非中心卡方分布中抽取样本rng.noncentral_f(dfnum, dfden, nonc[, size])            # 从非中心F分布中抽取样本rng.normal([loc, scale, size])      # 从正态（高斯）分布中抽取随机样本rng.pareto(a[, size])               # 从具有指定形状的Pareto II或Lomax分布中抽取样本rng.poisson([lam, size])            # 从泊松分布中抽取样本rng.power(a[, size])                # 从具有正指数a-1的功率分布中以[0，1]抽取样本。rng.rayleigh([scale, size])         # 从瑞利（Rayleigh）分布中抽取样本rng.standard_cauchy([size])         # 从mode = 0的标准柯西分布中抽取样本。rng.standard_exponential([size, dtype, method, out])   # 从标准指数分布中抽取样本rng.standard_gamma(shape[, size, dtype, out])          # 从标准Gamma分布中抽取样本rng.standard_normal([size, dtype, out])                # 从标准正态分布（均值= 0，标准差 = 1）中抽取样本rng.standard_t(df[, size])                   # 从自由度为df的标准学生氏分布（t分布）中抽取样本rng.triangular(left, mode, right[, size])    # 从间隔上的三角形分布中抽取样本。[left, right]rng.uniform([low, high, size])         # 从均匀分布中抽取样本rng.vonmises(mu, kappa[, size])        # 从冯·米塞斯（von Mises）分布中抽取样本rng.wald(mean, scale[, size])          # 从Wald或高斯逆分布中抽取样本rng.weibull(a[, size])          # 从威布尔分布中抽取样本rng.zipf(a[, size])             # 从Zipf分布中抽取样本

importnumpyasnpfromnumpy.randomimportdefault_rngrng=default_rng()

a=np.array([1,5,7,9,8,7,3,1,4,6])
rng.choice(a)

array=np.arange(10)
rng.shuffle(array)
array

sequence= ["你","的","头","发","还","好","吗"]
rng.shuffle(sequence)
sequence

n, p=10, .5# 试验次数，每次试验的概率rng.binomial(n, p, 100) # 结果抛硬币10次，测试100次。

rng.poisson(5, 30)

dfnum=1.# 组间的自由度dfden=48.# 组内的自由度rng.f(dfnum, dfden, 100)

rng.chisquare(2,10)