Math.floor(Math.random() * n)。from collections import Counter
from random import random
def badrand(n):
return int(random() * n)
print(Counter(badrand(6755399441055744) % 3 for _ in range(10000000)))
[0, 6755399441055744)内生成1000万个随机整数，对每个整数取模3，统计余数为0、1或2的次数。如果我们均匀地生成这些整数，我们期望模3的余数大致均匀分布，因此我们期望计数相似。Counter({1: 3751915, 0: 3334643, 2: 2913442})
1的发生概率比0显著地高，而0的发生概率又比余数为2显著地高。这里的差异远远超出了随机变异的范围。random()函数相对较高质量，基于Mersenne Twister，因此我们不太可能看到基础随机数生成器导致的统计问题。问题在于random()生成2^53（大约）个等可能结果之一 - 每个结果都是某个整数x（范围为[0,2^53)）的形式x/2^53的数字。现在，在badrand调用中，我们有效地将这些结果映射到6755399441055744个可能的输出之一。现在，该值不是随机选择的（哈！）；它恰好是2^53的3/4。这意味着在最均匀的分布下，2/3的可能的badrand输出值被恰好一个2^53个可能的random()输出值命中，而另外1/3则被两个2^53个可能的random()输出值命中。也就是说，一些潜在的输出是发生的可能性是其他输出的两倍。所以我们离均匀还有很长的路要走。 n 小于（但接近）2 ^ 32。 n 也是如此：如果 n = 5 ，那么因为 5 不是 2 ^ 32 的除数，我们无法完美地均匀分配所有 2 ^ 32 可能的 Math.random（）结果之间的5个期望结果：我们所能希望的最好的结果是4个5个结果中的每一个出现在858993459个可能的 random（）结果中，而第五个出现在858993460个 random（）结果中。但是，该分布将非常接近均匀分布，以至于很难找到任何统计测试来告诉您不同。因此，在实际目的中，使用小的 n 应该是安全的。
这里有一个相关的 Python bug，可能会对您感兴趣，链接为http://bugs.python.org/issue9025。该 bug 在 Python 3 中已通过摒弃使用 int(random() * n) 方法计算这些数字而得到解决。然而，该 bug 在 Python 2 中仍然存在。
random.randInt() 函数（正如我们所看到的并非一定）可以处理它 :-) - VooMath.random（或等效物）生成的是在浮点数范围[0,1)内对应的比特模式之一，则它将产生极度偏倚的样本。在[0.25，0.5)和[0.5，1.0)中有同样数量的可表示浮点数，这也是在[0.125，0.25)中可表示值的数量。依此类推。简而言之，均匀分布的比特模式将导致只有一千个值在0.5和1.0之间。（假设双精度浮点数。）Math.random所做的。获得均匀分布的一个简单方法（而不是比特模式）是在[1.0，2.0)中生成均匀分布的比特模式，然后减去1.0；这是一个相当常见的策略。Math.floor(Math.random() * n)的最终结果不是完全均匀分布的，除非n是2的幂，因为存在量化偏差。可能由Math.random返回的浮点值的数量是2的幂次方，如果n不是2的幂次方，则不可能将可能的浮点值完全均匀地分布在[0，n)中的所有整数值上。如果Math.random返回双精度浮点数且n不是很大，则此偏差很小，但确实存在。x / 2^53的数字，其中x是在[0, 2^53)范围内（大致）均匀分布的整数。是的，如果不考虑隐藏位，尾数只有52位，但您还需要考虑指数。 - Mark Dickinson我假设你提到“随着浮点数增大，相邻两个浮点数之间的差距也会增大”是基于以下原因：
在IEEE-754中，你有一个固定大小的尾数，它允许在范围[1,2)内均匀生成“随机”值，并且在[2,4)中有相同数量的可能值，这是一个两倍大的范围，因此我们得到了可能值之间的两倍间隔，在[4,8)中再次扩大两倍，以此类推。
现在，我没有检查过技术细节，关于“使用实现相关的算法或策略”时，当他们谈论[0,1)范围内生成的随机数的属性时，但由于上述考虑是如此微不足道，我认为随机生成器程序员已经意识到了这一点，并用“实现相关的算法”来解决了这个问题。
因此，作为一个天真的人，我相信对于（我对）你怀疑的原因，没有什么可担心的。事实上，如果你可以为尾数生成均匀和随机的值，那么设置始终相同的指数，使得值属于[1,2)，你从所有值中减去1，并且对于[0,1)有一个适当的分布。
Math.random以相等概率生成 2^53 个不同结果，我们只能得到对于n的精确除数为2^53的值的均匀结果。例如，当n=5时，如果我们将2^53个不同元素分成 5 个箱子，则无论如何放置这些元素，这些箱子都不能拥有相同数量的元素。 - Mark Dickinsonn接近2^53时存在严重偏差。 （该问题已在Python 3中修复。） - Mark Dickinson