1. Python随机数生成的基础与常用模块
在数据分析和仿真流程中，随机数用于采样、扰动和蒙特卡罗模拟等场景。本页面将围绕 Python随机数生成技巧与实战应用，聚焦 Python随机数生成技巧与实战应用：面向数据分析与仿真场景的完整指南，帮助你从基础到实战掌握高效的随机数方法。
常见的两大主力是在 标准库 random 与 numpy.random，它们之间在可复现性、分布控制和性能方面各有侧重。对于数据分析与科学计算，numpy.random 提供了更丰富的分布和更高的吞吐量。
实现可复现性最关键的环节是设定 种子（seed），以确保同样的随机过程在不同行为中得到一致的结果。
1.1 随机性、伪随机数与可复现性
伪随机数是通过确定性算法从初始种子生成的序列，理论上是可重复的。通过设置固定的 种子，你可以在回放分析时重现结果，这对数据分析的可靠性至关重要。
在 random 模块中，通常通过 random.seed(42) 来设定全局随机数生成器的种子；在 numpy 中，推荐使用 numpy.random.default_rng 创建一个独立的生成器对象，以避免全局状态干扰。
1.2 核心模块概览
random 模块提供了基本的整数、浮点数以及离散分布的随机方法，适用于简单的采样与游戏开发等场景。numpy.random（自 NumPy 1.17 起的 Generator 接口）提供了更强的分布控制和更好的并发安全性，适合大规模数据分析和仿真。
在实际工程中，优先使用 numpy 的 Generator，并通过 default_rng 创建独立的随机数生成器，以实现可复现性和线程安全的并行执行。
1.3 快速上手代码示例
# 标准库 random 的快速用法
import random
random.seed(42)
print([random.random() for _ in range(5)])
# 使用 numpy 的 Generator
import numpy as np
rng = np.random.default_rng(42)
print(rng.integers(0, 10, size=5)) # [0, 9] 的整数
# 全局 vs 独立生成器
print(random.random()) # 使用全局状态
print(rng.random(5)) # 独立生成器的输出
2. 面向分布的随机数生成技巧与应用
掌握不同分布的随机数生成，是进行数据建模和仿真的核心能力。下面将从均匀分布、正态分布到离散分布，逐步展开在实际数据分析中的应用。
均匀分布是随机建模的基础，常用于初始化、采样和蒙特卡罗方法的基本单元。
2.1 均匀分布的生成与应用
在 Python 中，均匀分布的随机数最常见的形式是 [0, 1) 区间的浮点数。它是构建其他分布的基础，例如通过线性变换可以得到任意区间的均匀分布。
在 numpy 中可以通过 rng.random(size) 直接生成；若需要整数均匀分布，则使用 rng.integers(low, high, size)。这是在大规模数据分析中的高性能选择。
import numpy as np
rng = np.random.default_rng(123)
# 均匀浮点数 [0,1)
u = rng.random(5)
# 均匀整数 in [low, high)
i = rng.integers(0, 10, size=5)
print(u)
print(i)
2.2 正态分布与近似技巧
正态分布（高斯分布）在统计建模和误差分析中极为常见。numpy 提供了直接的正态分布接口，便于生成样本并进行参数变换。
标准正态分布 N(0,1) 的样本可以通过 rng.normal 或 rng.standard_normal 获得；若需要均值为 μ、标准差为 σ 的正态分布，可以进行简单线性变换。
import numpy as np
rng = np.random.default_rng(123)
# 标准正态分布 N(0, 1)
z = rng.standard_normal(1000)
# 转换为 N(mu, sigma^2)
mu, sigma = 5.0, 2.0
x = mu + sigma * z
print(x[:5])
2.3 离散分布与仿真案例
离散分布（如二项、泊松、几何分布）在计数数据与事件建模中非常有用。通过这些分布，可以高效地实现仿真场景和随机化实验。
常见的离散分布包括：二项分布、泊松分布、几何分布等。下面给出常用的用法示例。
import numpy as np
rng = np.random.default_rng(0)
# 二项分布：n 次试验中成功次数
n_draws, p = 10, 0.3
k = rng.binomial(n_draws, p)
# 泊松分布：平均事件率 lambda
lam = 3.0
x = rng.poisson(lam)
print(k, x)
3. 面向数据分析的随机数在统计推断中的应用
除了生成随机数，随机性在统计推断中的使用还包括自助法、蒙特卡罗近似等方法。本节介绍常见的实战技巧及其代码实现。
3.1 自助法（Bootstrap）与重采样
自助法通过有放回的重采样来评估统计量的分布、置信区间等。随机抽样是核心步骤，通过 np.random.choice(data, size=n, replace=True) 实现。
在数据分析中，Bootstrap 的思路简洁、适用范围广，尤其在样本量有限时尤为有用。
import numpy as np
data = np.array([2.3, 2.1, 3.4, 4.2, 5.1])
def bootstrap_statistic(data, stat, n_resamples=1000):
n = len(data)
stats = np.empty(n_resamples)
for i in range(n_resamples):
sample = np.random.choice(data, size=n, replace=True)
stats[i] = stat(sample)
return stats
bs = bootstrap_statistic(data, np.mean)
ci = np.percentile(bs, [2.5, 97.5])
print('Bootstrap CI:', ci)
3.2 蒙特卡罗方法与近似
蒙特卡罗方法通过大量随机样本来估计复杂量的数值值，适合评估概率、积分、风险等。合理设计随机试验量可以显著提高估计精度。
import numpy as np
import math
def estimate_pi(n=1000000):
rng = np.random.default_rng(0)
inside = 0
for _ in range(n):
x, y = rng.random(), rng.random()
if x*x + y*y <= 1.0:
inside += 1
return 4.0 * inside / n
print('Pi estimate:', estimate_pi(200000))
4. 数据分析与仿真场景中的实际应用案例
4.1 风险评估中的不确定性建模
在金融和工程领域，随机数被用于建模不确定性、评估风险和进行情景分析。通过 蒙特卡罗仿真，可以对不同市场情景下的损失分布进行近似评估。
常用做法包括：使用 泊松/伽马分布来模拟事件发生率和耗费，结合历史数据进行参数拟合，并通过独立的随机数序列进行多场景重复模拟，以获得稳定的风险区间。
import numpy as np
rng = np.random.default_rng(999)
# 模拟一个简单的不确定性情景：每日损失 X 服从泊松分布再叠加正态噪声
lam, sigma = 2.5, 1.0
days = 252
losses = rng.poisson(lam, size=days) + rng.normal(0, sigma, size=days)
print('模拟日损失样本（前5天）:', losses[:5])
4.2 生产仿真与排程优化
在制造与供应链领域，随机性用于建模需求波动、交付时间和资源可用性。通过 随机数驱动的仿真，可帮助评估排程策略的鲁棒性、产能利用率以及库存水平。
实现要点包括：为每个关键要素分配独立的随机变量，确保可重复的仿真序列，以及在必要时进行并行计算以提高仿真效率。
import numpy as np
rng = np.random.default_rng(42)
# 简单的需求波动与到货时间模型
daily_demand = rng.poisson(20, size=14) # 未来两周日需求
lead_time = rng.integers(2, 7, size=14) # 到货时间（工作日）
print('未来14天需求:', daily_demand)
print('未来14天到货时间:', lead_time)
