目录
一、random库基本介绍
二、基本随机数函数（ seed()、random() ）
三、扩展随机数函数（ randint()、getrandbits()、uniform()、randrange()、choice()、shuffle() ）
四、“圆周率的计算”实例
4.1 公式近似计算
4.2 蒙特卡罗方法
一、random库基本介绍
1. random库是Python的标准库，可以用关键字 import 直接引用。random库用于产生随机数。（计算机采用梅森旋转算法生成伪随机数序列）
2. 基本随机函数：seed()、random()
3. 扩展随机函数：randint()、getrandbits()、uniform()、randrange()、choice()、shuffle()
二、基本随机数函数（ seed()、random() ）
相关概念：随机数种子。给定随机数种子——>梅森旋转算法——>随机序列（相同的随机种子，产生一模一样的随机序列）
表2-1 基本随机函数
基本随机函数 | 说明 |
seed(a) | 功能：产生确定的初始随机种子 返回值：无 参数：a——指定的初始随机种子 说明：若a省略，则初始随机种子默认为当前系统时间。 若人工设置初始随机种子，则程序运行可复现；若省略参数，则认为程序运行不可复现
图2-1 |
random() | 功能：产生随机浮点数 返回值：[0.0, 1.0)之间的随即浮点数 参数：无 说明：该函数产生的随机数一定与随机种子有关
图2-2 |
三、扩展随机数函数（ randint()、getrandbits()、uniform()、randrange()、choice()、shuffle() ）
表3-1 扩展随机数函数
扩展随机数函数 | 说明 |
randint(a, b) | 功能：产生随机整数 返回值：[a, b)之间的随机整数 参数：a——随机数范围的下限 b——随机数范围的上限 说明：
图3-1 |
randrange(m, n[, k]) | 功能：产生随机整数 返回值：[m, n)之间以k为步长的随机整数 参数：m——随机数范围的下限 n——随机数范围的上限 k——随机数取值的步长 说明：
图3-2 |
uniform(a, b) | 功能：产生随机浮点数 返回值：[a, b]之间的随机浮点数 参数：a——随机数范围的下限 b——随机数范围的上限 说明：
图3-3 |
getrandbits(k) | 功能：产生随机整数 返回值：k比特长的随机整数 参数：k——随机数的长度 说明：
图3-4 |
choice(seq) | 功能：选择随机元素 返回值：列表seq中的随机一个元素 参数：seq——提供可供随机选择的一个元素列表 说明：
图3-5 |
shuffle(seq) | 功能：随机排序 返回值：序列seq的随机排列 参数：seq——提供可供随机排序的一个元素列表 说明：该函数的输出会覆盖原列表。
图3-6 |
四、“圆周率的计算”实例
4.1 公式近似计算
圆周率的近似计算公式：
pi = 0 # 设 π 的初始值为0
N = 100 # 定义100次循环
for k in range(N): # 套用圆周率近似计算公式
pi += 1 / pow(16, k) * ( 4 / (8*k+1) - \
2 / (8*k+4) - \
1 / (8*k+5) - \
1 / (8*k+6) )
print("圆周率近似为：{}".format(pi))4.2 蒙特卡罗方法
蒙特卡罗方法：
图4-1
向单位正方形中随机撒点，撒点的总个数记为M，落在单位圆中点的个数记为N（N<M）。N与M的比值近似为圆周率。
import random as r # 引用random库，用于随机撒点
import time as t # 引用time库，用于计时计算时间
stars = 10000 * 10000 # 设置撒点总数为一亿个
hits = 0 # 设置落在单位圆中点数的初始个数为零个
start = t.perf_counter() # 计算开始
for k in range(stars):
x, y = r.random(), r.random() # 随机撒点：0≤x<1，0≤y<1
if (pow(x,2) + pow(y,2)) < 1 : # 判断该次撒的点是否的单位圆中
hits += 1
pi = 4 * (hits / stars) # 近似计算圆周率
print("计算用时{}s".format(t.perf_counter() - start)) # 计算结束
print("圆周率近似为：{}".format(pi))
