使用者:Xyy23330121/Python/隨機數

Python 學習資料 目錄

一、開始

1. 安裝Python
2. 安裝文本編輯器
3. 第一個程序：Hello World

二、變量

1. 命名規則
2. 特殊賦值方法

三、數字 (int float complex)

1. 數學運算
2. 將對象轉化為數字
3. 編寫加法程序
4. 數字精度（選學）
5. 位運算（選學）

四、布爾值 (bool) 與 if 語句

1. if語句
2. 比較運算
3. 布爾運算

五、字符串 (str)

1. 字符串的操作

六、列表 (list) 和 元組 (tuple)

1. 用推導式創建列表/元組
2. 通用序列操作
3. 可變序列操作

七、循環

1. while 語句
2. for 語句

八、字典 (dict)

1. 字典的簡單操作

九、選學：集合 (set)

1. 集合的操作
2. 可變集合的操作

十、更多字符串操作

1. 字符串和編碼 (bytes)
2. 格式化字符串
3. 正則表達式

十一、函數

1. 選學：函數注釋

十二、類

1. 類的私有量與類的繼承

十三、異常與try語句

1. try 語句
2. 異常類型的屬性和方法

十四、類的方法與Python的計算

1. 類的方法與類實例
2. 類的方法與數學運算
3. 類的方法與其它內置函數

十五、import語句與模塊

1. 簡單模塊
2. __main__

十六、查漏補缺

1. with 語句
2. match 語句
3. 隨機數

十七、日期與時間

1. 日期與時間內容列表

十八、更多數字模式：numpy

1. 十進制浮點數 decimal
2. 分數 fractions

十九、文件系統

1. 文件處理 (file object)
2. json 格式

二十、 HTTP 請求

1. HTTP 請求示例

許多重要功能需要用隨機數來實現。本頁面將講解幾種生成隨機數的方法。其中 random 模塊的隨機數不適合用作加密目的，而 secret 模塊的隨機數適合用作加密。

random模塊：均勻分布

隨機字節

random.randbytes(n)

生成 n 個隨機字節。

隨機整數

random.randrange(stop)

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

隨機在 range(start, stop, step) 中選擇一個元素，並返回。

由於參數解釋方式的原因，在只有一個參數時，不應該使用關鍵字參數。比如 randrange(start = 10) 會被解釋為 randrange(0, 10, 1)。

random.randint(a, b)

相當於 random.randrange(a, b+1)。

random.getrandbits(k)

返回具有 k 個隨機比特位的非負整數。

隨機浮點數

random.random()

返回一個隨機的浮點數 x，滿足 0 <= x < 1

random.uniform(a, b)

返回在 a 和 b 之間的一個隨機的浮點數。

其結果等同於 a + (b-a)*random.random()，是否包含 b 取決於浮點捨入誤差。

從序列中隨機選取對象

random.choice(seq)

從非空序列 seq 中，隨機選取一個元素，並返回選取的元素。如果 seq 為空序列，則報錯 IndexError。

random.choices(population, weights=None, *, cum_weights=None, k=1)

從非空序列 population 中，有重複地選取元素 k 次，並返回選取得到的列表。如果 population 為空序列，則報錯 IndexError。

weights 為權重序列。它表示 population 中每個元素的權重。該序列的長度應該與 population 相等。各個權重值應當為非負且有限的數值。且應當使用能與浮點數互相運算的類型（比如整數、浮點數、fractions.Fraction，不包括 decimal.Decimal）。

cum_weights 為累計權重序列。它以累積的方式表示元素權重，比如：

cum_weights 為[1,2,4] 與 weights 為 [1,1,2] 的效果是相同的。

在函數內部，權重序列會被轉化為累計權重序列再進行計算。

cum_weights 不應和 weights 同時設置。如果同時設置 weights 和 cum_weights，則報錯 TypeError。如果兩者都沒有被設置，則默認每個元素的權重相等。

即便使用相同的種子，不設置權重，該函數返回的序列，與 random.choice 函數反覆 k 次得到的序列是不同的。這是因為 random.choice 默認使用整數運算算法來規避捨入誤差，而該函數使用浮點運算。

random.sample(population, k, *, counts=None)

從非空序列 population 中，無重複地選取元素 k 次，並返回選取得到的列表。如果 population 為空序列，則報錯 IndexError。

counts 指定 population 中，元素出現的次數。它應當是長度等同於 population 長度的、全是整數的序列。

比如：random.sample([0,1,1,1],k=2) 等同於 random.sample([0,1],k=2,counts=[1,3])。

若不指定 counts，相當於設 counts 為全 1 序列。如果 k > sum(counts)，則報錯 ValueError。

對於從一系列整數中選取樣本的情況，使用 range 函數生成的 range 對象作為 population 會大量節省空間並提高計算速度。

隨機打亂序列

random.shuffle(x)

將可變序列 x 打亂。類似 list.sort 方法，該函數會直接修改 x 的內容。

由於排列數可以隨着 x 長度增加而快速增加——並超出隨機數生成器的周期。因此，對於過長序列而言，其大多數排列永遠不會被 random.shuffle 函數所產生。

若使用默認的 Mersenne Twister 隨機數生成器，過長意味着序列長度大於 2080。

random模塊：其它分布

整數：二項式分布

random.binomialvariate(n=1, p=0.5)

返回 n 次獨立實驗，在每次實驗成功率為 p 時，成功的次數。

浮點數分布

random.triangular(low, high, mode)

按三角分布返回浮點數。

默認 (low, high, mode) 為 (0, 1, 0.5)。

random.batavariate(alpha, beta)

按 beta 分布返回浮點數。

其中 alpha 和 beta 都應大於零。

random.expovariate(lambd=1.0)

按指數分布返回浮點數。

其中 lambd 應是非零的。

random.gammavariate(alpha, beta)

按 gamma 分布返回浮點數。

random.gauss(mu = 0.0, sigma=1.0)

按正態分布（也即高斯分布）返回浮點數。

如果兩個線程同時調用此函數，它們可能返回相同的值。為避免這個問題，可以：

• 讓每個線程使用不同的隨機數生成器實例
• 為每一次調用加鎖
• 改用速度較慢，但是線程安全的 random.normalvariate 函數。

random.normalvariate(mu = 0.0, sigma=1.0)

按正態分布（也即高斯分布）返回浮點數。

random.lognormvariate(mu, sigma)

按對數正態分布返回浮點數。

random.vonmisesvariate(mu, kappa)

按馮·米塞斯分布返回浮點數。

random.paretovariate(alpha)

按帕累托分布返回浮點數。

random.weibullvariate(alpha, beta)

按威布爾分布返回浮點數。

random 模塊：隨機數生成器

以上所述的 random 模塊的函數都基於 random 模塊提供的隨機數生成器。

默認隨機數生成器

random 模塊的幾乎所有函數都依賴於默認隨機數生成器 random.Random 的一個核心方法 random.Random().random()。默認隨機數生成器使用高效的 梅森旋轉算法 作為核心隨機數生成器。但是，只要知道種子，梅森旋轉算法的結果就是完全確定的。因此 random 模塊的隨機數不適合用作加密目的。

操作當前隨機數生成器

以下幾個操作會更改當前使用的默認隨機數生成器。

random.seed(a=None, version=2)

初始化隨機數生成器。a 為使用的種子，而 version 代表處理種子的方法。

如果 a 為 None，則使用操作系統提供的隨機數，如果操作系統不提供隨機數，則使用當前系統時間。

如果要指定 a，a 可以為整數、字符串、bytes 或 bytearray。其中整數不會被處理，並將直接作為種子使用。而字符串、bytes 和 bytearray 都會被處理：

• 如果 version 為 2，則會將字符串、bytes 或 bytearray 對象轉換為整數，並使用整數的所有位數作為種子。

• 如果 version 為 1，相對於 version 為 2 的時候，如果用字符串做種子，可能的種子範圍較小。不建議設置 version 為 1，應僅在需要從舊版本的 Python 再現隨機序列時使用它。

random.getstate() 和 random.setstate(state)

random.getstate() 會返回表示隨機數生成器內部狀態的元組。該元組可以傳入 random.setstate(state) 函數來恢復狀態。

隨機數生成器對象

random.Random([seed])

random 模塊使用的默認隨機數生成器。

核心方法

random.Random 的以下幾個實例方法和核心隨機數生成器有關。

seed(a = None, version=2)

random.seed 函數調用的方法。

getstate()

random.getstate 函數調用的方法。

setstate(state)

random.setstate 函數調用的方法。

random()

random.random 函數調用的方法。

getrandbits(k)

random.getrandbits 函數調用的方法。

延申方法

這裡所述「延申方法」是基於「核心方法」的、random 模塊的函數使用的方法。特別的，每個函數使用的方法都和函數同名。即：

• 在隨機數生成器內部狀態相同的情況下，random.choice(seq) 的結果等同於 random.Random().choice(seq) 的結果。

由於前面章節的函數已經充分介紹過了。這裡不再具體列出所有方法。

random.SystemRandom([seed])

使用 os.urandom() 函數的類。該類型並非適用於所有系統、也不依賴於軟件狀態。其生成的隨機數序列無法重現。

該類型提供的方法和上面的方法相同。其中，seed 方法沒有任何作用。

自定義隨機數生成器

要自定義不同於默認梅森旋轉算法的隨機數生成器，應該自定義 random.Random 的子類，並修改其核心方法。

在使用自定義的生成器時，直接用繼承自 random.Random 的「延申方法」即可。只要核心方法正確且恰當，延申方法的結果也應當符合預期。

secret 模塊：安全隨機數

secret 模塊用於生成高度加密的、安全的隨機數。適用於管理密碼、賬戶驗證、安全憑據等機密數據。

隨機數生成器

class secrets.SystemRandom

類似 random.SystemRandom，這是使用 os.urandom() 函數的類。

生成隨機數

secrets.choice(sequence)

從非空序列 sequence 中隨機選取一個元素，並返回選取的元素。

secrets.randbelow(n)

返回一個隨機整數。範圍為 $[0,n)$

secrets.randbits(k)

返回具有 k 個隨機比特位的非負整數。

生成 Token

secrets.token_bytes([nbytes=None])

返回含 nbytes 個字節的隨機 bytes 對象。如果 nbytes 為 None，則使用合理的默認值。

隨着計算機能力的提升，保證安全所需的、隨機字節數也會提升。因此，nbytes 的默認值在版本更新時會隨時改變。

secrets.token_hex([nbytes=None])

類似 secrets.token_bytes 函數，但返回的是對應的十六進制字符串。

secrets.token_urlsafe([nbytes=None])

類似 secrets.token_bytes 函數，但返回的是對應的、Base64 編碼的字符串。平均每個字節對應 1.3 個字符。

定時攻擊

對於 Python 默認的字符串之間和 bytes 之間的比較方式，我們在進行以下比較時，會有不同的返回時間：

1. "password" == "a"，在比較第一位時立刻返回 False
2. "password" == "pa"，在比較第三位時立刻返回 False

通過測定返回的時間差，攻擊者可以按位分別匹配比較的位數、而非將所有位數整體匹配。

簡單來講，對於每個字符有 n 種可能性，字符串長度為 m 的情況。如果 k 個字符的比較足以測量返回的時間差，這會使得攻擊所需遍歷的可能性數目從最高約n**m種變為約(n**k)*(m/k)種。

可以使用以下函數解決則會個問題：

secrets.compare_digest(a, b)

輸入兩個字符串或兩個 bytes。如果兩個字符串（或 bytes）相等，則返回 True。反之，返回 False。

該函數不考慮高效性，無論 a 和 b 之間相匹配的位數有多少，它都會對每一位都進行匹配計算。這使得上面所述的時間差不存在。