Pythoni juhuslik moodul: põhjalik sukeldumine pseudojuhuslike numbrite genereerimisse

Arvutite maailmas on juhuslikkus võimas ja oluline mõiste. See on mootor kõigele, alates keerukatest teaduslikest simulatsioonidest ja masinõppe mudelitest kuni videomängude ja turvalise andmete krüptimiseni. Pythoniga töötades on peamine tööriist selle juhuslikkuse elemendi tutvustamiseks sisseehitatud random moodul. Kuid 'juhuslikkusel', mida see pakub, on kriitiline hoiatus: see ei ole tõeliselt juhuslik. See on pseudojuhuslik.

See põhjalik juhend viib teid sügavale sukeldumisele Pythoni random moodulisse. Me demüstifitseerime pseudojuhuslikkuse, uurime mooduli põhilisi funktsioone praktiliste näidetega ja, mis kõige tähtsam, arutame, millal seda kasutada ja millal pöörduda turvalisuse suhtes tundlikumate rakenduste jaoks tugevama tööriista poole. Olenemata sellest, kas olete andmeteadlane, mänguarendaja või tarkvarainsener, on selle mooduli põhjalik mõistmine teie Pythoni tööriistakasti alus.

Mis on pseudojuhuslikkus?

Enne numbrite genereerimise alustamist on ülioluline mõista selle olemust, millega me töötame. Arvuti on deterministlik masin; see järgib täpselt juhiseid. Oma olemuselt ei saa see õhust tõeliselt juhuslikku numbrit genereerida. Tõelist juhuslikkust saab hankida ainult ettearvamatutest füüsilistest nähtustest, nagu atmosfäärimüra või radioaktiivne lagunemine.

Selle asemel kasutavad programmeerimiskeeled pseudojuhuslike numbrite generaatoreid (PRNG-sid). PRNG on keerukas algoritm, mis genereerib numbrite jada, mis tundub juhuslik, kuid on tegelikult täielikult määratud esialgse väärtusega, mida nimetatakse seeme.

• Deterministlik algoritm: Numbrite jada genereeritakse matemaatilise valemiga. Kui teate algoritmi ja lähtepunkti, saate ennustada kõiki jadas olevaid numbreid.
• Seeme: See on algoritmi esialgne sisend. Kui annate PRNG-le sama seemne, genereerib see täpselt sama 'juhuslike' numbrite jada iga kord.
• Periood: PRNG genereeritud numbrite jada kordub lõpuks. Hea PRNG puhul on see periood astronoomiliselt suur, muutes selle enamiku rakenduste jaoks praktiliselt lõpmatuks.

Pythoni random moodul kasutab Mersenne Twisteri algoritmi, mis on väga populaarne ja tugev PRNG, millel on äärmiselt pikk periood (2¹⁹⁹³⁷-1). See on suurepärane simulatsioonide, statistilise valimi ja mängude jaoks, kuid nagu me hiljem näeme, muudab selle ennustatavus selle krüptograafia jaoks sobimatuks.

Generaatori seemendamine: reproduktsiooni võti

Võime juhtida 'juhuslikku' jada seemne kaudu ei ole viga; see on võimas funktsioon. See tagab reproduktsiooni, mis on oluline teadusuuringutes, testimises ja silumises. Kui käivitate masinõppe eksperimenti, peate tagama, et teie juhuslikud kaalu initsialiseerimised või andmete segamised oleksid iga kord samad, et tulemusi õiglaselt võrrelda.

Seda juhtiv funktsioon on random.seed().

Vaatame seda tegevuses. Kõigepealt käivitame skripti ilma seemet seadmata:

            import random

print(random.random())
print(random.randint(1, 100))
            

              
                Copy
              
            
          

Kui käivitate selle koodi mitu korda, saate iga kord erinevaid tulemusi. Seda seetõttu, et kui te seemet ei anna, kasutab Python generaatori initsialiseerimiseks automaatselt mittedeterministlikku allikat operatsioonisüsteemist, näiteks praegust süsteemiaega.

Nüüd seame seemne:

            import random

# Run 1
random.seed(42)
print("Run 1:")
print(random.random())  # Output: 0.6394267984578837
print(random.randint(1, 100)) # Output: 82

# Run 2
random.seed(42)
print("
Run 2:")
print(random.random())  # Output: 0.6394267984578837
print(random.randint(1, 100)) # Output: 82
            

              
                Copy
              
            
          

Nagu näete, saame generaatori sama seemnega (number 42 on tavapärane valik, kuid sobib ka iga täisarv) initsialiseerides täpselt sama numbrite jada. See on reproduktsiooni simulatsioonide ja katsete loomise nurgakivi.

Numbrite genereerimine: täisarvud ja ujukomaarvud

random moodul pakub rikkalikku funktsioonide komplekti erinevat tüüpi numbrite genereerimiseks.

Täisarvude genereerimine

• random.randint(a, b)

  See on tõenäoliselt kõige levinum funktsioon, mida kasutate. See tagastab juhusliku täisarvu N nii, et a <= N <= b. Pange tähele, et see on kaasa arvatud mõlemad lõpp-punktid.

              # Simuleerige tavalist kuuepoolset täringuveeretust
  die_roll = random.randint(1, 6)
  print(f"Sa veeretad {die_roll}")
              
  
                
                  Copy
                
              
            

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

  See funktsioon on paindlikum ja käitub nagu Pythoni sisseehitatud range() funktsioon. See tagastab juhuslikult valitud elemendi range(start, stop, step)-st. Kriitiliselt on see välja arvatud stop väärtusest.

              # Hankige juhuslik paarisarv vahemikus 0 kuni 10 (välja arvatud 10)
  even_number = random.randrange(0, 10, 2) # Võimalikud väljundid: 0, 2, 4, 6, 8
  print(f"Juhuslik paarisarv: {even_number}")
  
  # Hankige juhuslik number vahemikus 0 kuni 99
  num = random.randrange(100) # Samaväärne random.randrange(0, 100, 1)
  print(f"Juhuslik number 0-99: {num}")
              
  
                
                  Copy
                
              
            

Ujukomaarvude genereerimine

• random.random()

  See on kõige fundamentaalsem ujukomaarvu genereerimise funktsioon. See tagastab juhusliku ujukomaarvu vahemikus [0.0, 1.0). See tähendab, et see võib sisaldada 0,0, kuid on alati väiksem kui 1,0.

              # Genereerige juhuslik ujukomaarv vahemikus 0,0 kuni 1,0
  probability = random.random()
  print(f"Genereeritud tõenäosus: {probability}")
              
  
                
                  Copy
                
              
            

• random.uniform(a, b)

  Juhusliku ujukomaarvu hankimiseks konkreetses vahemikus kasutage uniform(). See tagastab juhusliku ujukomaarvu N nii, et a <= N <= b või b <= N <= a.

              # Genereerige simulatsiooni jaoks juhuslik temperatuur Celsiuse järgi
  temp = random.uniform(15.5, 30.5)
  print(f"Simuleeritud temperatuur: {temp:.2f}°C")
              
  
                
                  Copy
                
              
            

• Muud jaotused

  Moodul toetab ka erinevaid muid jaotusi, mis modelleerivad reaalse maailma nähtusi, mis on hindamatud spetsialiseeritud simulatsioonide jaoks:

  • random.gauss(mu, sigma): normaalne (või Gaussi) jaotus, mis on kasulik näiteks mõõtmisvigade või IQ-skooride modelleerimiseks.
  • random.expovariate(lambd): eksponentsiaalne jaotus, mida kasutatakse sageli sündmuste vahelise aja modelleerimiseks Poissoni protsessis.
  • random.triangular(low, high, mode): kolmnurkne jaotus, kasulik, kui teil on minimaalne, maksimaalne ja kõige tõenäolisem väärtus.

Jadadega töötamine

Sageli ei vaja te ainult juhuslikku numbrit; peate tegema juhusliku valiku üksuste kogumist või loendi juhuslikult ümber korraldama. random moodul paistab selles silma.

Valikute ja valikute tegemine

• random.choice(seq)

  See funktsioon tagastab ühe, juhuslikult valitud elemendi mittetühjast jadast (nagu loend, ennik või string). See on lihtne ja väga tõhus.

              participants = ["Alice", "Bob", "Charlie", "David", "Eve"]
  winner = random.choice(participants)
  print(f"Ja võitja on... {winner}!")
  
  possible_moves = ("kivi", "paber", "käärid")
  computer_move = random.choice(possible_moves)
  print(f"Arvuti valis: {computer_move}")
              
  
                
                  Copy
                
              
            

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

  Keerulisemate stsenaariumide korral võimaldab choices() (mitmuslik) valida mitu elementi populatsioonist asendusega. See tähendab, et sama üksust saab valida rohkem kui üks kord. Samuti saate määrata weights loendi, et muuta teatud valikud teistest tõenäolisemaks.

              # Simuleerige 10 mündivisket
  flips = random.choices(["Heads", "Tails"], k=10)
  print(flips)
  
  # Simuleerige kaalutud täringuveeretust, kus 6 on kolm korda tõenäolisem
  outcomes = [1, 2, 3, 4, 5, 6]
  weights = [1, 1, 1, 1, 1, 3]
  weighted_roll = random.choices(outcomes, weights=weights, k=1)[0]
  print(f"Kaalutud veeremise tulemus: {weighted_roll}")
              
  
                
                  Copy
                
              
            

• random.sample(population, k)

  Kui peate valima populatsioonist mitu unikaalset üksust, kasutage sample(). See teeb valiku ilma asenduseta. See sobib suurepäraselt selliste stsenaariumide jaoks nagu lotonumbrite loosimine või juhusliku projektitiimi valimine.

              # Valige loteriiloosimiseks 3 unikaalset numbrit vahemikust 1 kuni 50
  lottery_numbers = range(1, 51)
  winning_numbers = random.sample(lottery_numbers, k=3)
  print(f"Võidunumbrid on: {winning_numbers}")
  
  # Moodustage juhuslik meeskond 2-st osalejate loendist
  team = random.sample(participants, k=2)
  print(f"Uus projektitiim on: {team}")
              
  
                
                  Copy
                
              
            

Jada segamine

• random.shuffle(x)

  Seda funktsiooni kasutatakse muudetava jada (nagu loendi) üksuste juhuslikuks ümberkorraldamiseks. Oluline on meeles pidada, et shuffle() muudab loendit kohapeal ja tagastab None. Ärge tehke tavalist viga, määrates selle tagastusväärtuse muutujale.

              # Segage kaardipakk
  cards = ["Äss", "2", "3", "4", "5", "6", "7", "8", "9", "10", "Poiss", "Emand", "Kuningas"]
  print(f"Algne järjekord: {cards}")
  
  random.shuffle(cards)
  print(f"Segatud järjekord: {cards}")
  
  # Vale kasutamine:
  # shuffled_cards = random.shuffle(cards) # See määrab shuffled_cards väärtuseks None!
              
  
                
                  Copy
                
              
            

Kriitiline hoiatus: ÄRGE kasutage random krüptograafia või turvalisuse jaoks

See on kõige olulisem järeldus iga professionaalse arendaja jaoks. Mersenne Twisteri PRNG ennustatavus muudab selle täiesti ebaturvaliseks mis tahes turvalisusega seotud eesmärgil. Kui ründaja saab jälgida mõnda numbrit jadast, võib ta potentsiaalselt arvutada seemne ja ennustada kõiki järgnevaid 'juhuslikke' numbreid.

Ärge kunagi kasutage random moodulit:

• Paroolide, seansitunnuste või API-võtmete genereerimiseks.
• Paroolide räsimise soola loomiseks.
• Kõik krüptograafilised funktsioonid, nagu näiteks krüpteerimisvõtmete genereerimine.
• Parooli lähtestamise mehhanismid.

Õige tööriist tööks: secrets moodul

Turvalisuse suhtes tundlike rakenduste jaoks pakub Python secrets mooduli (saadaval alates Python 3.6). See moodul on spetsiaalselt loodud operatsioonisüsteemi pakutava kõige turvalisema juhuslikkuse allika kasutamiseks. Seda nimetatakse sageli krüptograafiliselt turvaliseks pseudojuhuslike numbrite generaatoriks (CSPRNG).

Siin on, kuidas te seda tavaliste turvaülesannete jaoks kasutaksite:

            import secrets
import string

# Genereerige turvaline 16-baidine tunnus kuueteistkümnendsüsteemis
api_key = secrets.token_hex(16)
print(f"Turvaline API-võti: {api_key}")

# Genereerige turvaline URL-i turvaline tunnus
password_reset_token = secrets.token_urlsafe(32)
print(f"Parooli lähtestamise tunnus: {password_reset_token}")

# Genereerige tugev, juhuslik parool
# See loob parooli, milles on vähemalt üks väiketäht, üks suurtäht ja üks number
-alphabet = string.ascii_letters + string.digits
password = ''.join(secrets.choice(alphabet) for i in range(12))
print(f"Genereeritud parool: {password}")
            

              
                Copy
              
            
          

Reegel on lihtne: kui see puudutab turvalisust, kasutage secrets. Kui see on modelleerimiseks, statistikaks või mängudeks, on random õige valik.

Suure jõudlusega arvutamiseks: numpy.random

Kuigi standardne random moodul sobib suurepäraselt üldotstarbelisteks ülesanneteks, ei ole see optimeeritud suurte numbrite massiivide genereerimiseks, mis on levinud nõue andmeteaduses, masinõppes ja teadusarvutustes. Nende rakenduste jaoks on NumPy teek tööstusstandard.

numpy.random moodul on oluliselt jõudluslikum, kuna selle aluseks olev rakendamine on kompileeritud C-koodis. See on mõeldud ka sujuvalt töötama NumPy võimsate massiiviobjektidega.

Võrdleme süntaksit miljoni juhusliku ujukomaarvu genereerimiseks:

            import random
import numpy as np
import time

# Standartteegi `random` kasutamine
start_time = time.time()
random_list = [random.random() for _ in range(1_000_000)]
end_time = time.time()
print(f"Standardne 'random' võttis: {end_time - start_time:.4f} sekundit")

# NumPy kasutamine
start_time = time.time()
numpy_array = np.random.rand(1_000_000)
end_time = time.time()
print(f"NumPy 'numpy.random' võttis: {end_time - start_time:.4f} sekundit")
            

              
                Copy
              
            
          

Leiate, et NumPy on suurusjärgus kiirem. See pakub ka palju laiemat valikut statistilisi jaotusi ja tööriistu mitmemõõtmeliste andmetega töötamiseks.

Parimad tavad ja lõppmõtted

Võtame oma teekonna kokku mõne peamise parima praktikaga:

• Seeme reproduktsiooni jaoks: Kasutage alati random.seed(), kui soovite, et teie juhuslikud protsessid oleksid korratavad, näiteks testides, simulatsioonides või masinõppe eksperimentides.
• Turvalisus ennekõike: Ärge kunagi kasutage random moodulit millegi puhul, mis on seotud turvalisuse või krüptograafiaga. Kasutage alati selle asemel moodulit secrets. See on läbirääkimistes osalemata.
• Valige õige funktsioon: Kasutage funktsiooni, mis väljendab kõige paremini teie kavatsust. Vajate unikaalset valikut? Kasutage random.sample(). Kas vajate kaalutud valikut asendusega? Kasutage random.choices().
• Jõudlus on oluline: Raskete numbriliste toimingute puhul, eriti suurte andmekogumitega, kasutage numpy.random jõudu ja kiirust.
• Mõistke kohapealseid toiminguid: Arvestage, et random.shuffle() muudab loendit kohapeal.

Järeldus

Pythoni random moodul on standardteegi mitmekülgne ja asendamatu osa. Mõistes selle pseudojuhuslikku olemust ja valdades selle põhifunktsioone numbrite genereerimiseks ja jadadega töötamiseks, saate oma rakendustele lisada dünaamilise käitumise võimsa kihi. Veelgi olulisem on see, et teades selle piiranguid ja seda, millal pöörduda spetsiaalsete tööriistade poole, nagu secrets või numpy.random, demonstreerite professionaalse tarkvarainseneri ettenägelikkust ja hoolsust. Nii et minge edasi – simuleerige, segage ja valige enesekindlalt!