在 Python 中生成**随机正整数**（即 ≥ 1 的整数），有多种方式，取决于你的具体需求： ✅ 是否指定范围？（如 1~100） ✅ 是否需要多个？是否可重复？ ✅ 是否要求密码学安全？（如用于 Token、密钥） ✅ 是否需 NumPy 加速（大数据量）？ 下面为你系统梳理 **5 种常用且正确的方案**，附代码、说明、适用场景和避坑提示： --- ### ✅ 方案 1：`random.randint(a, b)` —— 最常用（闭区间，含 a 和 b） ```python import random # 生成 1 个 [1, 100] 内的随机正整数（包含 1 和 100） n = random.randint(1, 100) print(n) # 例如：42、1、100 # 生成 5 个不重复的随机正整数（1~50 中选） nums = random.sample(range(1, 51), 5) # range(1,51) → 1 到 50（不含 51） print(nums) # 例如：[3, 17, 22, 49, 8] ``` 🔹 **特点**： - `randint(a,b)` 是 **闭区间**：`a ≤ result ≤ b` - 简单、可读性强，适合教学、脚本、一般业务逻辑。 ⚠️ 注意：`random` 模块是**伪随机**（基于 Mersenne Twister），**不可用于密码学场景**。 --- ### ✅ 方案 2：`random.randrange(start, stop[, step])` —— 更灵活的半开区间 ```python import random # 生成 [1, 100) 即 1~99 的正整数（等价于 randint(1,99)） n1 = random.randrange(1, 100) # 生成奇数正整数：1, 3, 5, ..., 99 n2 = random.randrange(1, 100, 2) # step=2 # 生成 10 的倍数：10, 20, ..., 100 n3 = random.randrange(10, 101, 10) # 注意 stop=101 才能包含 100 ``` 🔹 **对比 `randint`**： - `randrange(1, 100)` → 取值范围是 `1` 到 `99`（**左闭右开**） - `randint(1, 99)` → 效果相同，但语义更直观（“1 到 99 之间”）。 ✅ 推荐用 `randint` 表达「整数范围」，用 `randrange` 表达「步进序列」（如偶数、月份、索引）。 --- ### ✅ 方案 3：`secrets.randbelow(n)` —— ✅ 密码学安全！（推荐用于 Token、验证码、密钥） ```python import secrets # 生成 [0, n) 的随机整数 → 要正整数，+1 即可 n = secrets.randbelow(100) + 1 # → [1, 100] print(n) # 如：73 # 安全生成 6 位短信验证码（100000 ~ 999999） code = secrets.randbelow(900000) + 100000 print(code) # 如：284715 # 安全随机选择列表元素（防时序攻击） choices = ['apple', 'banana', 'cherry'] safe_choice = choices[secrets.randbelow(len(choices))] ``` 🔹 **为什么必须用 `secrets`？** - `random` 模块可被预测（已知种子可复现全部序列）； - `secrets` 使用操作系统级熵源（`/dev/urandom`, `CryptGenRandom`），**不可预测、抗侧信道攻击**。 ❗ 重要场景必用：API Key、重置令牌、支付订单号、2FA 验证码。 --- ### ✅ 方案 4：`numpy.random.Generator.integers()` —— 大数据量高性能（NumPy 1.17+） ```python import numpy as np rng = np.random.default_rng() # 推荐新式 Generator API # 生成单个正整数 n = rng.integers(1, 101) # 注意：high=101 → 范围 [1, 101) → 即 1~100 # 生成 (1000,) 形状的随机正整数数组（比 Python 循环快 100x+） arr = rng.integers(1, 1001, size=1000) # 1~1000，共 1000 个 print(arr[:5]) # [342 17 991 503 22] # 生成不重复的随机索引（类似 random.sample） indices = rng.choice(10000, size=10, replace=False) # 0~9999 中选 10 个不重复 ``` 🔹 **适用场景**：科学计算、机器学习采样、蒙特卡洛模拟、批量 ID 生成。 ⚠️ 注意：`np.random.randint()` 已弃用，务必用 `rng.integers()`。 --- ### ✅ 方案 5：一行生成多个 / 指定分布（进阶技巧） ```python import random # ✅ 生成 10 个随机正整数（可重复） nums = [random.randint(1, 100) for _ in range(10)] # ✅ 生成 10 个不重复的随机正整数（1~1000 中抽） nums_unique = random.sample(range(1, 1001), 10) # ✅ 按自定义概率分布选（如：1 出现概率 50%，2 出现 30%，3 出现 20%） choices = [1, 2, 3] weights = [0.5, 0.3, 0.2] n_weighted = random.choices(choices, weights=weights, k=1)[0] # ✅ 生成符合几何分布的正整数（首次成功所需的试验次数，p=0.3） n_geom = random.geometric(0.3) # 返回 ≥1 的整数，如 1,2,4,1,... ``` --- ### ⚠️ 常见错误（务必避开！） | 错误写法 | 问题 | 正确写法 | |----------|------|-----------| | `random.randint(0, 100)` | 可能返回 `0` → 不是正整数 | `random.randint(1, 100)` | | `random.choice(range(100))` | 返回 `0~99`，含 `0` | `random.choice(range(1, 101))` | | `int(random.random() * 100)` | `random.random()` 返回 `[0.0, 1.0)`，乘后为 `[0, 100)` → `int()` 后为 `0~99`，且 `0` 概率略高 | 用 `randint(1,100)` 或 `randbelow(100)+1` | | `random.shuffle([1,2,3,4])` | 返回 `None`（原地修改），不是生成随机数 | 用 `random.sample([1,2,3,4], 4)` 获取打乱副本 | --- ### 📊 对比总结表 | 方案 | 安全性 | 速度 | 适用场景 | 是否推荐 | |------|--------|------|-----------|------------| | `random.randint(1, N)` | ❌ 伪随机 | ⚡ 快 | 一般脚本、教学、非敏感逻辑 | ✅ 强烈推荐（日常首选） | | `secrets.randbelow(N)+1` | ✅ 密码学安全 | ⚡ 快 | Token、验证码、密钥 | ✅ 敏感场景必用 | | `numpy.random.Generator.integers()` | ❌ 伪随机 | 🚀 极快（向量化） | 大规模数值计算 | ✅ 科学计算首选 | | `random.sample(range(1,M+1), k)` | ❌ 伪随机 | ⚡ 中等 | 抽奖、随机抽样（无放回） | ✅ 需不重复时首选 | | `random.choices(..., weights=...)` | ❌ 伪随机 | ⚡ 快 | 按概率抽样（有放回） | ✅ 需加权时用 | ---