詳解Python中生成隨機數(shù)據(jù)的示例詳解
在日常工作編程中存在著各種隨機事件，同樣在編程中生成隨機數(shù)字的時候也是一樣，隨機有多隨機呢？在涉及信息安全的情況下，它是最重要的問題之一。每當(dāng)在 Python 中生成隨機數(shù)據(jù)、字符串或數(shù)字時，最好至少大致了解這些數(shù)據(jù)是如何生成的。
用于在 Python 中生成隨機數(shù)據(jù)的不同選項，然后在安全性、多功能性、用途和速度方面對每個選項進行比較。
本篇內(nèi)容不是數(shù)學(xué)或密碼學(xué)相關(guān)內(nèi)容，僅僅是根據(jù)需要進行盡可能多的數(shù)學(xué)運算僅此而已。
隨機性有多隨機
大多數(shù)用 Python 生成的隨機數(shù)據(jù)在科學(xué)意義上并不是完全隨機的。相反是偽隨機的：使用偽隨機數(shù)生成器（PRNG）生成，它本質(zhì)上是任何用于生成看似隨機但仍可重現(xiàn)的數(shù)據(jù)的算法?！赫妗浑S機數(shù)可以由真隨機數(shù)生成器（TRNG）生成。
可能已經(jīng) Python 中看到過類似 random.seed(999) 的東西。此函數(shù)調(diào)用 Python 模塊 random.seed(1234) 使用的底層隨機數(shù)生成器。random 使得后續(xù)調(diào)用生成隨機數(shù)具有確定性：輸入 A 總是產(chǎn)生輸出 B。
也許『隨機』和『確定性』這兩個術(shù)語似乎不能并存。為了更清楚地說明這一點這里有一個極其精簡的版本，random() 它通過使用迭代創(chuàng)建一個『隨機』數(shù)字 x = (x * 3) % 19 。x 最初定義為種子值，然后根據(jù)該種子變形為確定性的數(shù)字序列。
class NotSoRandom(object):
def seed(self, a=3):
"""隨機數(shù)生成器"""
self.seedval = a
def random(self):
"""隨機數(shù)"""
self.seedval = (self.seedval * 3) % 19
return self.seedval
_inst = NotSoRandom()
seed = _inst.seed
random = _inst.random
for i in range(10):
seed(123)
print([random() for _ in range(10)])
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
[8, 5, 15, 7, 2, 6, 18, 16, 10, 11]
加密安全性
如果對『RNG』首字母縮略詞還不夠了解，再添加一個 CSPRNG，或加密安全 PRNG。 CSPRNG 適用于生成敏感數(shù)據(jù)，例如密碼、身份驗證器和令牌。 給定一個隨機字符串，實際上無法確定在隨機字符串序列中哪個字符串出現(xiàn)在該字符串之前或之后。
另一個術(shù)語熵，引入或期望的隨機性數(shù)量。 例如將在介紹的一個 Python 模塊定義了 DEFAULT_ENTROPY = 32，即默認(rèn)返回的字節(jié)數(shù)。
關(guān)于 CSPRNG 的一個關(guān)鍵點是它們?nèi)匀皇莻坞S機的。它們以某種內(nèi)部確定性的方式設(shè)計，但添加了一些其他變量或具有使它們『足夠隨機』以禁止返回到任何強制執(zhí)行確定性的函數(shù)的屬性。
Python 工具中的 PRNG 和 CSPRNG ：
- PRNG 選項包括 Python 標(biāo)準(zhǔn)庫中的 random 模塊及其基于數(shù)組的 NumPy 對應(yīng)模塊 numpy.random。
- Python 的 os、secrets 和 uuid 模塊包含用于生成加密安全對象的函數(shù)。
PRNG
random 模塊
random模塊是在 Python 中生成隨機數(shù)據(jù)的最廣為人知的工具可，使用Mersenne Twister PRNG 算法作為其核心生成器。
構(gòu)建一些沒有播種的隨機數(shù)據(jù)。該 random.random() 函數(shù)返回區(qū)間 [0.0, 1.0) 內(nèi)的隨機浮點數(shù)。
import random random.random() 0.1250920165739744 random.random() 0.7327868824782764
使用 random.seed()，可以使結(jié)果可重現(xiàn)，并且之后的調(diào)用鏈random.seed() 將產(chǎn)生相同的數(shù)據(jù)軌跡。
隨機數(shù)序列變?yōu)榇_定性的，或完全由種子值確定。
random.seed(444) random.random() 0.3088946587429545 random.random() 0.01323751590501987 random.seed(444) random.random() 0.3088946587429545 random.random() 0.01323751590501987
使用 random.randint() 可以使用該函數(shù)在 Python 中的兩個端點之間生成一個隨機整數(shù)。數(shù)據(jù)在整個 [x, y] 區(qū)間并且可能包括兩個端點。
>>> random.randint(0, 10) 2 >>> random.randint(500, 50000) 9991
使用 random.randrange() 可以排除區(qū)間的右側(cè)，生成的數(shù)字始終位于 [x, y) 范圍內(nèi)，并且始終小于右端點。
random.randrange(1, 10) 9
使用 random.uniform()，從連續(xù)均勻分布中提取生成位于特定 [x, y] 區(qū)間內(nèi)的隨機浮點數(shù)。
random.uniform(20, 30) 27.42639687016509 random.uniform(30, 40) 36.33865802745107
使用 random.choice() 從非空序列（如列表或元組）中選擇隨機元素。
items = ['A', 'B', 'C', 'D', 'E'] random.choice(items) 'B' random.choices(items, k=2) ['A', 'C'] random.choices(items, k=3) ['C', 'D', 'E']
使用 random.sample() 不替換的情況下模擬采樣。
random.sample(items, 4) ['A', 'D', 'B', 'E']
使用 random.shuffle() 修改序列對象并隨機化元素的順序。
random.shuffle(items) items ['E', 'B', 'A', 'C', 'D']
生成一系列唯一長度一致的隨機字符串的例子，一般用于驗證碼這種。
from random import Random
# 隨機生成郵件驗證碼的隨機字符串
def RandomsStr(random_length):
Str = ''
chars = 'AaBbCcDdEeFfGgHhIiJjKkLlMmNnOoPpQqRrSsTtUuVvWwXxYyZz0123456789' # 設(shè)置可選字符
length = len(chars) - 1
random = Random()
for i in range(random_length):
Str += chars[random.randint(0, length)]
return Str
RandomsStr(10)
LhK3vFepch
RandomsStr(16)
iGy1g0FO54Cjx3WP
數(shù)組 numpy.random
大多數(shù)函數(shù)都 random 返回一個標(biāo)量值（單個int、float或其他對象）。生成序列的話可以使用列表生成的方法。
[random.random() for _ in range(5)] [0.7401011155476498, 0.9892634439644596, 0.36991622177966765, 0.14950913503744223, 0.4868906039708182]
numpy.random 使用自己的 PRNG，與普通的 random 不太一樣。
"""
從標(biāo)準(zhǔn)正態(tài)分布返回樣本
"""
np.random.randn(5)
array([-0.59656657, -0.6271152 , -1.51244475, -1.02445644, -0.36722254])
np.random.randn(3, 4)
array([[ 0.34054183, 1.59173609, -0.5257795 , -0.86912511],
[-0.86855499, -0.64487065, 1.47682128, 1.8238103 ],
[ 0.05477224, 0.35452769, 0.14088743, 0.55049185]])
"""
根據(jù)概率隨機分配
"""
np.random.choice([0, 1], p=[0.6, 0.4], size=(5, 4))
array([[0, 1, 0, 1],
[0, 1, 1, 1],
[0, 1, 0, 1],
[1, 0, 0, 0],
[0, 0, 0, 0]])
"""
創(chuàng)建一系列隨機布爾值
"""
np.random.randint(0, 2, size=25, dtype=np.uint8).view(bool)
array([ True, False, True, True, False, True, False, False, False,
False, False, True, True, False, False, False, True, False,
True, False, True, True, True, False, True])
相關(guān)數(shù)據(jù)的生成
假設(shè)要模擬兩個相關(guān)的時間序列。解決此問題的一種方法是使用 NumPy 的multivariate_normal() 函數(shù)，該函數(shù)將協(xié)方差矩陣考慮在內(nèi)。換句話說要從單個正態(tài)分布的隨機變量中提取，需要指定其均值和方差（或標(biāo)準(zhǔn)差）。
def corr2cov(p, s):
"""相關(guān)性和標(biāo)準(zhǔn)差的協(xié)方差矩陣"""
d = np.diag(s)
return d @ p @ d
corr = np.array([[1., -0.40],[-0.40, 1.]])
stdev = np.array([6., 1.])
mean = np.array([2., 0.5])
cov = corr2cov(corr, stdev)
data = np.random.multivariate_normal(mean=mean, cov=cov, size=50)
data[:10]
[[-0.33377432 0.22889428]
[-1.5311996 0.31678635]
[-6.02684472 0.90562824]
[ 5.2696086 0.86518295]
[ 6.43832395 0.36507745]
[-8.49347011 0.68663565]
[-5.05968126 0.55214914]
[ 2.02314646 1.32325775]
[ 0.98705556 -0.63118682]
[ 2.90724439 -1.26188307]]
random模塊與NumPy對照表
| random模塊 | NumPy 對應(yīng)方 | 說明 |
|---|---|---|
| random() | rand() | [0.0, 1.0) 中的隨機浮點數(shù) |
| randint(a, b) | random_integers() | [a, b] 中的隨機整數(shù) |
| randrange(a, b[, step]) | randint() | [a, b) 中的隨機整數(shù) |
| uniform(a, b) | uniform() | [a, b] 中的隨機浮點數(shù) |
| choice(seq) | choice() | 隨機元素來自seq |
| choices(seq, k=1) | choice() | 帶有替換的隨機k元素seq |
| sample(population, k) | choice()和replace=False | 無替換的隨機k元素seq |
| shuffle(x[, random]) | shuffle() | 將序列隨機打亂 |
| normalvariate(mu, sigma)或者gauss(mu, sigma) | normal() | mu具有均值和標(biāo)準(zhǔn)差的正態(tài)分布樣本sigma |
CSPRNG
盡可能隨機 os.urandom()
在不涉及太多細(xì)節(jié)的情況下，生成依賴于操作系統(tǒng)的隨機字節(jié)，可以安全地稱為密碼安全 secretsuuidos.urandom()，在技術(shù)上仍然是偽隨機的。
唯一的參數(shù)是要返回的字節(jié)數(shù)。
os.urandom(3) b'\xa2\xe8\x02' x = os.urandom(6) x b'\xce\x11\xe7"!\x84' type(x), len(x) (bytes, 6)
但是這種保存格式不太符合開發(fā)的要求。
secrets 最佳保存方式
Python 3.6+ 版本引入的 PEP，secrets模塊旨在成為事實上的 Python 模塊，用于生成加密安全的隨機字節(jié)和字符串。
secrets 基本上是一個包裝器 os.urandom()。只導(dǎo)出了少數(shù)用于生成隨機數(shù)、字節(jié)和字符串的函數(shù)。
n = 16
# 生成安全令牌
secrets.token_bytes(n)
b'A\x8cz\xe1o\xf9!;\x8b\xf2\x80pJ\x8b\xd4\xd3'
secrets.token_hex(n)
'9cb190491e01230ec4239cae643f286f'
secrets.token_urlsafe(n)
'MJoi7CknFu3YN41m88SEgQ'
# `random.choice()` 的安全版本
secrets.choice('rain')
'a'
UUID
生成隨機令牌的最后一個選項是 Python 的 uuid 模塊中的 uuid4() 函數(shù)。 UUID 是一個通用唯一標(biāo)識符，一個 128 位序列（長度為 32 的字符串），旨在『保證跨空間和時間的唯一性』。 uuid4() 是該模塊最有用的函數(shù)之一，該函數(shù)也使用了 os.urandom()。
import uuid
uuid.uuid4()
UUID('3e3ef28d-3ff0-4933-9bba-e5ee91ce0e7b')
uuid.uuid4()
UUID('2e115fcb-5761-4fa1-8287-19f4ee2877ac')可能還看到了其他一些變體：uuid1()、uuid3() 和 uuid5()。它們之間的主要區(qū)別在于這 uuid4() 三個函數(shù)都采用某種形式的輸入，不符合 uuid4() 的『保證跨空間和時間的唯一性』。
除了安全模塊（例如 secrets）之外，Python 的 random 模塊實際上還有一個很少使用的類，稱為 SystemRandom，它使用 os.urandom()。 （反過來，SystemRandom 也被秘密使用。這有點像一個可以追溯到 urandom() 的網(wǎng)絡(luò)。）
那么為什么不『默認(rèn)』這個版本？ 為什么不『永遠(yuǎn)安全』，而不是默認(rèn)使用在密碼學(xué)上不安全的確定性隨機函數(shù)？
1.因為有時希望數(shù)據(jù)具有確定性和可重復(fù)性，以供其他人后續(xù)使用。
2.時間效率問題。
"""
CSPRNG 至少在 Python 中，往往比 PRNG 慢得多。
讓我們使用腳本 timed.py 來測試，該腳本使用 timeit.repeat() 比較 randint() 的 PRNG 和 CSPRNG 版本。
"""
import random
import timeit
# CSPRNG 版本依次使用 `SystemRandom()` 和 `os.urandom()`。
_sysrand = random.SystemRandom()
def prng() -> None:
random.randint(0, 95)
def csprng() -> None:
_sysrand.randint(0, 95)
setup = 'import random; from __main__ import prng, csprng'
if __name__ == '__main__':
print('Best of 3 trials with 1,000,000 loops per trial:')
for f in ('prng()', 'csprng()'):
best = min(timeit.repeat(f, setup=setup))
print('\t{:8s} {:0.2f} seconds total time.'.format(f, best))
Best of 3 trials with 1,000,000 loops per trial:
prng() 0.93 seconds total time.
csprng() 1.70 seconds total time.
工程隨機性的比較
| 封裝/模塊 | 描述 | 加密安全 |
|---|---|---|
| random | 使用 Mersenne Twister 快速簡單的隨機數(shù)據(jù) | 不 |
| numpy.random | 像random但對于（可能是多維的）數(shù)組 | 不 |
| os | 包含urandom()，這里介紹的其他功能的基礎(chǔ) | 是 |
| secrets | 設(shè)計為 Python 的事實上的模塊，用于生成安全的隨機數(shù)、字節(jié)和字符串 | 是 |
| uuid | 用于構(gòu)建 128 位標(biāo)識符的一些函數(shù)的所在地 | uuid4()是 |
到此這篇關(guān)于詳解Python中生成隨機數(shù)據(jù)的示例詳解的文章就介紹到這了,更多相關(guān)Python隨機數(shù)據(jù)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
詳解如何使用Pandas創(chuàng)建有效且可復(fù)制的代碼
Pandas作為一種多功能和強大的工具而屹立不倒,其直觀的數(shù)據(jù)結(jié)構(gòu)和廣泛的功能使其成為無數(shù)數(shù)據(jù)專業(yè)人士和愛好者的首選,本文將使用Pandas創(chuàng)建有效且可復(fù)制的代碼,感興趣的可以了解下2024-11-11
python中實現(xiàn)指定時間調(diào)用函數(shù)示例代碼
函數(shù)function是python編程核心內(nèi)容之一,也是比較重要的一塊。下面這篇文章主要給大家介紹了關(guān)于python中實現(xiàn)指定時間調(diào)用函數(shù)的相關(guān)資料，文中通過示例代碼介紹的非常詳細(xì)，需要的朋友可以參考借鑒，下面來一起看看吧。2017-09-09
這篇文章主要為大家詳細(xì)介紹了Python命令行解析工具Argparse的相關(guān)資料，感興趣的小伙伴們可以參考一下2016-04-04
django基礎(chǔ)之?dāng)?shù)據(jù)庫操作方法(詳解)
下面小編就為大家?guī)硪黄猟jango基礎(chǔ)之?dāng)?shù)據(jù)庫操作方法(詳解)。小編覺得挺不錯的，現(xiàn)在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-05-05
Python 能做很多無聊，但有意思的事情。本文為大家精心準(zhǔn)備了五個整蠱朋友的小程序，文中的示例代碼講解詳細(xì)，感興趣的小伙伴快動手試一試2022-04-04
Python求兩點之間的直線距離(2種實現(xiàn)方法)
今天小編就為大家分享一篇Python求兩點之間的直線距離(2種實現(xiàn)方法)，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-07-07
這篇文章主要介紹了python如何將txt坐標(biāo)批量打印到原圖上的問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-08-08
Django集成Celery實現(xiàn)高效的異步任務(wù)處理的全過程
Django?作為一個強大的?Python?Web?框架,可以通過集成?Celery?這一異步任務(wù)隊列來優(yōu)化這些任務(wù)的處理,本文將深入探討如何在?Django?項目中集成?Celery,包括?Celery?的基本配置、定義任務(wù)、以及監(jiān)控任務(wù)執(zhí)行,需要的朋友可以參考下2023-11-11
這篇文章主要為大家詳細(xì)介紹了Linux終端上python實現(xiàn)簡易聊天室功能，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-07-07
這篇文章主要介紹了Python中dataclass庫,合理使用dataclass將會大大減輕開發(fā)中的負(fù)擔(dān)，將我們從大量的重復(fù)勞動中解放出來，這既是dataclass的魅力，本文結(jié)合實例代碼給大家介紹的非常詳細(xì)，需要的朋友參考下吧2022-09-09