日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學(xué)無先后，達(dá)者為師

網(wǎng)站首頁 編程語言 正文

詳解Python中生成隨機(jī)數(shù)據(jù)的示例詳解_python

作者：Mr數(shù)據(jù)楊 ? 更新時(shí)間： 2022-06-14 編程語言

在日常工作編程中存在著各種隨機(jī)事件，同樣在編程中生成隨機(jī)數(shù)字的時(shí)候也是一樣，隨機(jī)有多隨機(jī)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(jī)數(shù)據(jù)、字符串或數(shù)字時(shí)，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(jī)數(shù)據(jù)的不同選項(xiàng)，然后在安全性、多功能性、用途和速度方面對(duì)每個(gè)選項(xiàng)進(jìn)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(jìn)行盡可能多的數(shù)學(xué)運(yùn)算僅此而已。

隨機(jī)性有多隨機(jī)

大多數(shù)用 Python 生成的隨機(jī)數(shù)據(jù)在科學(xué)意義上并不是完全隨機(jī)的。相反是偽隨機(jī)的：使用偽隨機(jī)數(shù)生成器（PRNG）生成，它本質(zhì)上是任何用于生成看似隨機(jī)但仍可重現(xiàn)的數(shù)據(jù)的算法。『真』隨機(jī)數(shù)可以由真隨機(jī)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(jī)數(shù)生成器。random 使得后續(xù)調(diào)用生成隨機(jī)數(shù)具有確定性：輸入 A 總是產(chǎn)生輸出 B。

也許『隨機(jī)』和『確定性』這兩個(gè)術(shù)語似乎不能并存。為了更清楚地說明這一點(diǎn)這里有一個(gè)極其精簡(jiǎn)的版本，random() 它通過使用迭代創(chuàng)建一個(gè)『隨機(jī)』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(jī)數(shù)生成器"""
        self.seedval = a
    def random(self):
        """隨機(jī)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(duì)『RNG』首字母縮略詞還不夠了解，再添加一個(gè) 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(yàn)證器和令牌。 給定一個(gè)隨機(jī)字符串，實(shí)際上無法確定在隨機(jī)字符串序列中哪個(gè)字符串出現(xiàn)在該字符串之前或之后。

另一個(gè)術(shù)語熵，引入或期望的隨機(jī)性數(shù)量。 例如將在介紹的一個(gè) 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(gè)關(guān)鍵點(diǎn)是它們?nèi)匀皇莻坞S機(jī)的。它們以某種內(nèi)部確定性的方式設(shè)計(jì)，但添加了一些其他變量或具有使它們『足夠隨機(jī)』以禁止返回到任何強(qiáng)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(xiàng)包括 Python 標(biāo)準(zhǔn)庫中的 random 模塊及其基于數(shù)組的 NumPy 對(duì)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(duì)象的函數(shù)。

PRNG

random 模塊

random模塊是在 Python 中生成隨機(jī)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(jī)數(shù)據(jù)。該 random.random() 函數(shù)返回區(qū)間 [0.0, 1.0) 內(nèi)的隨機(jī)浮點(diǎn)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(jī)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(gè)端點(diǎn)之間生成一個(gè)隨機(jī)整數(shù)。數(shù)據(jù)在整個(gè) [x, y] 區(qū)間并且可能包括兩個(gè)端點(diǎn)。

>>> 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(diǎn)。

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(jī)浮點(diǎn)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(jī)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(duì)象并隨機(jī)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(jī)字符串的例子，一般用于驗(yàn)證碼這種。

from random import Random

# 隨機(jī)生成郵件驗(yàn)證碼的隨機(jī)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(gè)標(biāo)量值（單個(gè)int、float或其他對(duì)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(jī)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(jī)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(gè)相關(guān)的時(shí)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(gè)正態(tài)分布的隨機(jī)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(duì)照表

random模塊 NumPy 對(duì)應(yīng)方 說明
random() rand() [0.0, 1.0) 中的隨機(jī)浮點(diǎn)數(shù)
randint(a, b) random_integers() [a, b] 中的隨機(jī)整數(shù)
randrange(a, b[, step]) randint() [a, b) 中的隨機(jī)整數(shù)
uniform(a, b) uniform() [a, b] 中的隨機(jī)浮點(diǎn)數(shù)
choice(seq) choice() 隨機(jī)元素來自seq
choices(seq, k=1) choice() 帶有替換的隨機(jī)k元素seq
sample(population, k) choice()和replace=False 無替換的隨機(jī)k元素seq
shuffle(x[, random]) shuffle() 將序列隨機(jī)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(jī) 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(jī)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(jī)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(shí)上的 Python 模塊，用于生成加密安全的隨機(jī)字節(jié)和字符串。

secrets 基本上是一個(gè)包裝器 os.urandom()。只導(dǎo)出了少數(shù)用于生成隨機(jī)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(jī)令牌的最后一個(gè)選項(xiàng)是 Python 的 uuid 模塊中的 uuid4() 函數(shù)。 UUID 是一個(gè)通用唯一標(biāo)識(shí)符，一個(gè) 128 位序列（長度為 32 的字符串），旨在『保證跨空間和時(shí)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(gè)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(shí)間的唯一性』。

除了安全模塊（例如 secrets）之外，Python 的 random 模塊實(shí)際上還有一個(gè)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(diǎn)像一個(gè)可以追溯到 urandom() 的網(wǎng)絡(luò)。）

那么為什么不『默認(rèn)』這個(gè)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(jī)函數(shù)？

1.因?yàn)橛袝r(shí)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(shí)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(cè)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(jī)性的比較

封裝/模塊 描述 加密安全
random 使用 Mersenne Twister 快速簡(jiǎn)單的隨機(jī)數(shù)據(jù) 不
numpy.random 像random但對(duì)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(jì)為 Python 的事實(shí)上的模塊，用于生成安全的隨機(jī)數(shù)、字節(jié)和字符串 是
uuid 用于構(gòu)建 128 位標(biāo)識(shí)符的一些函數(shù)的所在地 uuid4()是

原文鏈接：https://blog.csdn.net/qq_20288327/article/details/124164980

欄目分類
最近更新