### Python 中通过 `import` 调用库生成随机数的机制 在 Python 中，生成随机数主要依赖于两个核心库：`numpy.random` 和 `random`。这两个库分别适用于不同的应用场景。 #### 1. **`numpy.random.randint` 的工作机制** `numpy.random.randint` 是 NumPy 库中用于生成随机整数的一个函数。它允许用户指定一个范围 `[low, high)` 并从中均匀分布地抽取随机样本[^1]。 - 参数解释： - `low`: 随机数区间的起始值（包含）。 - `high`: 随机数区间的结束值（不包含），可选参数。 - `size`: 返回数组的形状，默认返回单个值。 ```python import numpy as np # 示例：生成一个大小为 (3,) 的一维数组，数值范围在 [1, 10) random_integers = np.random.randint(1, 10, size=(3,)) print(random_integers) # 输出类似于 [7 2 9] ``` 这种生成方式非常适合需要处理大规模数据集的情况，因为 NumPy 提供了高效的向量化运算支持。 --- #### 2. **`random` 模块的工作机制** Python 自带的标准库 `random` 提供了一系列功能强大的伪随机数生成工具[^2]。它的底层基于 Mersenne Twister 算法，这是一种周期非常长且统计特性良好的伪随机数生成器。 - 常见方法： - `random.randint(a, b)`: 返回 `[a, b]` 范围内的一个随机整数。 - `random.uniform(a, b)`: 返回 `[a, b]` 范围内的一个浮点数。 - `random.choice(sequence)`: 从给定序列中随机选取一个元素。 ```python import random # 示例：生成 [1, 10] 范围内的随机整数 single_random_integer = random.randint(1, 10) print(single_random_integer) # 输出可能是 4 或其他介于 1 至 10 的整数 ``` 相比 NumPy，标准库 `random` 更适合小型项目或不需要高性能计算的任务。 --- #### 3. **两者的区别与联系** 尽管两者都能生成随机数，但在适用场景上有显著差异： - 性能方面：对于大尺寸的数据操作，`numpy.random` 显著优于 `random`，因为它经过优化以支持批量生成和矩阵运算。 - 功能覆盖：`random` 模块提供了更多高级功能，例如打乱列表顺序 (`shuffle`)、权重抽样 (`choices`) 等。 - 数据类型：`numpy.random` 主要针对数值型数据设计，而 `random` 支持多种类型的对象作为输入源。 --- #### 4. **扩展应用实例** 下面展示如何结合可视化工具绘制随机数分布图： ```python import numpy as np import matplotlib.pyplot as plt # 生成 [-4, 2] 区间内的 100 个随机数 d = np.random.rand(100) * 6 - 4 # 绘制散点图 plt.plot(d, 'r+', label="Random Numbers") # r+: 红色十字标记 plt.legend() plt.title("Distribution of Random Numbers") plt.xlabel("Index") plt.ylabel("Value") plt.show() ``` 上述代码片段展示了如何利用线性变换将 `[0, 1]` 范围内的随机数映射到任意目标区间。 ---