Случайные величины и перемешивание данных с помощью модуля random

Расширенные примеры использования модуля random

Далее приведены менее распространенные, но полезные сценарии, демонстрирующие гибкость модуля random.

1. Использование Random с пользовательским состоянием (экземпляры класса Random)

Модуль random предоставляет класс Random, который можно инстанцировать для создания независимых генераторов с собственными состояниями. Это полезно в многопоточных приложениях или когда нужно несколько независимых потоков случайности.

import random

gen1 = random.Random(123)
gen2 = random.Random(456)

# Оба генератора дают разные последовательности
print('gen1:', [gen1.randint(1, 100) for _ in range(5)])
print('gen2:', [gen2.randint(1, 100) for _ in range(5)])

Результат может быть, например:

gen1: [13, 86, 53, 76, 40]
gen2: [34, 1, 89, 37, 93]

Такой подход позволяет изолировать случайность в разных частях программы, не опасаясь взаимного влияния.

2. Генерация последовательности с заданным весом выборки

Функция random.choices (обратите внимание на множественное число) выбирает k элементов с возможностью повторения и поддержкой весов. Это мощный инструмент для моделирования дискретных распределений.

import random

# Элементы и их веса
elements = ['камень', 'ножницы', 'бумага']
weights = [5, 3, 2]  # камень выпадает чаще всего
# Выберем 10 раз с возвращением
choices = random.choices(elements, weights=weights, k=10)
print('Выборка с весами:', choices)
# Подсчитаем частоты
from collections import Counter
print('Частоты:', Counter(choices))

Пример вывода:

Выборка с весами: ['камень', 'ножницы', 'камень', 'камень', 'бумага', 'камень', 'камень', 'бумага', 'ножницы', 'камень']
Частоты: Counter({'камень': 6, 'бумага': 2, 'ножницы': 2})

Параметр cum_weights позволяет задать накопленные веса для более быстрой обработки.

3. Случайное вращение (циклический сдвиг) с помощью random.randint и срезов

Иногда требуется не просто перемешать список, а выполнить случайный циклический сдвиг (rotate). Модуль random не имеет прямой функции, но это реализуется комбинацией срезов.

import random

def rotate_random(lst):
    if not lst:
        return lst
    k = random.randint(0, len(lst)-1)
    return lst[k:] + lst[:k]

original = [1, 2, 3, 4, 5, 6]
rotated = rotate_random(original)
print('Исходный:', original)
print('Сдвинутый:', rotated)

Результат (один из возможных):

Исходный: [1, 2, 3, 4, 5, 6]
Сдвинутый: [3, 4, 5, 6, 1, 2]

4. Использование random с системным энтропийным источником (SystemRandom)

Класс random.SystemRandom использует операционную систему для получения криптографически стойких случайных чисел (например, /dev/urandom в Linux). Его можно применять, когда нужна безопасная случайность, но без дополнительных зависимостей.

import random

sys_rand = random.SystemRandom()
# Теперь sys_rand имеет те же методы, что и обычный random
print('Безопасное случайное целое:', sys_rand.randint(1, 100))
print('Безопасный выбор:', sys_rand.choice(['A', 'B', 'C']))
# Однако shuffle и sample тоже работают
lst = [1, 2, 3, 4, 5]
sys_rand.shuffle(lst)
print('Безопасно перемешанный:', lst)

SystemRandom не поддерживает seed, всегда использует системную энтропию.

5. Моделирование броуновского движения (Wiener process) с помощью random.gauss

Комбинируя случайные числа из нормального распределения, можно смоделировать простейший случайный процесс. Код ниже генерирует 100 шагов броуновского движения.

import random
import matplotlib.pyplot as plt

# Одно из приложений, не требующее matplotlib в статье, просто демонстрация
random.seed(42)
n = 100
path = [0.0]
for _ in range(n):
    step = random.gauss(0, 0.1)  # стандартное отклонение 0.1
    path.append(path[-1] + step)

print('Первые 10 точек траектории:', path[:10])
# Для визуализации можно построить график
# plt.plot(path)
# plt.show()

Пример вывода:

Первые 10 точек траектории: [0.0, 0.014294915180924382, -0.02856444018174323, ...]

Этот подход используется в финансовой инженерии, физике и симуляциях.

6. Создание случайного подмножества с сохранением порядка

Функция random.sample возвращает элементы в случайном порядке. Если нужно выбрать k элементов из последовательности, но сохранить их исходный относительный порядок, можно воспользоваться следующим трюком:

import random

def sample_ordered(population, k):
    # Создаем список пар (индекс, элемент), выбираем случайные индексы и сортируем
    indices = list(range(len(population)))
    chosen_indices = set(random.sample(indices, k))
    return [population[i] for i in sorted(chosen_indices)]

letters = 'abcdefghij'
result = sample_ordered(letters, 4)
print('Выборка с сохранением порядка:', ''.join(result))

Пример:

Выборка с сохранением порядка: b d g j

(порядок символов соответствует исходному)

7. Использование random для создания случайного графа (модель Эрдеша-Реньи)

С помощью random.random можно создавать случайные графы, где каждое ребро появляется с вероятностью p.

import random

def generate_random_graph(n, p):
    """Генерирует матрицу смежности случайного графа с n вершинами, вероятность ребра p."""
    adj = [[False] * n for _ in range(n)]
    for i in range(n):
        for j in range(i+1, n):
            if random.random() < p:
                adj[i][j] = adj[j][i] = True
    return adj

random.seed(0)
graph = generate_random_graph(5, 0.4)
for row in graph:
    print([int(x) for x in row])

Результат:

[0, 1, 0, 0, 1]
[1, 0, 0, 0, 1]
[0, 0, 0, 0, 1]
[0, 0, 0, 0, 0]
[1, 1, 1, 0, 0]

Такая модель используется в теории сетей и для тестирования алгоритмов.