生成0到9之间的随机整数

对于Python 3.6，我运气更好。

str_Key = ""                                                                                                
str_RandomKey = ""                                                                                          
for int_I in range(128):                                                                                    
      str_Key = random.choice('0123456789')
      str_RandomKey = str_RandomKey + str_Key 

只需添加字符如'ABCD'和'abcd'或'^!~=-><'以更改要提取的字符池，更改范围以更改生成的字符数。

使用numpy生成0到9之间的随机整数
使用numpy的方法：
如果您可以接受依赖numpy，那么自从1.17版本以来，numpy有了生成器（Generators），它们比randint/choice等方法要快得多，如果您想生成大量的随机整数（例如超过10000个整数）。要构建它，请使用np.random.default_rng()。然后调用integers()或choice()来生成随机整数。与标准库相比，如果您想生成一个大型的随机数列表（例如生成100万个随机整数），numpy生成器的速度要快得多，大约比numpy的randint快3倍，比stdlib的random快40倍。
例如，要生成100万个0到9之间的整数，可以使用以下任一方法。

import numpy as np
# option 1
numbers = np.random.default_rng().integers(0, 10, size=1000000)
# option 2
numbers = np.random.default_rng().choice(10, size=1000000)

默认情况下，它使用PCG64生成器；然而，如果您想使用标准库中的Mersenne Twister生成器，可以将其实例作为种子序列传递给default_rng()，如下所示。

rng = np.random.default_rng(np.random.MT19937())
numbers = rng.integers(0, 10, size=1000)

使用random

如果您只能使用标准库，并且想要生成大量的随机整数，那么random.choices()比random.randint()或random.randrange()要快得多。² 例如，要生成100万个介于0和9之间的随机整数：

import random
numbers = random.choices(range(10), k=1000000)

---

一些计时结果
在Python 3.12和numpy 1.26上进行了测试。

import timeit
import random
import numpy as np

def numpy_randint():
    return np.random.randint(0, 10, size=1000000)

def numpy_Gen_integers():
    return np.random.default_rng().integers(0, 10, size=1000000)

def numpy_Gen_choice():
    return np.random.default_rng().choice(10, size=1000000)

def random_randrange():
    return [random.randrange(10) for _ in range(1000000)]

def random_choices():
    return random.choices(range(10), k=1000000)


t1 = min(timeit.repeat(numpy_randint, number=100))      # 1.9559144999366254
t2 = min(timeit.repeat(numpy_Gen_integers, number=100)) # 0.6704635999631137
t3 = min(timeit.repeat(numpy_Gen_choice, number=100))   # 0.6696784000378102
t4 = min(timeit.repeat(random_randrange, number=100))   # 64.98768060002476
t5 = min(timeit.repeat(random_choices, number=100))     # 25.686857299879193

_{² 如果我们看一下它们的源代码实现，random.randrange()（以及random.randint()，因为它是前者的语法糖）使用一个while循环来生成伪随机数，通过_randbelow方法，而random.choices()则调用random()一次，并使用它来索引种群。因此，如果需要生成大量的伪随机数，这个while循环的成本会累积起来。}

OpenTURNS 不仅允许模拟随机整数，还可以使用 UserDefined 定义类定义相关分布。

以下模拟了 12 个分布结果。

import openturns as ot
points = [[i] for i in range(10)]
distribution = ot.UserDefined(points) # By default, with equal weights.
for i in range(12):
    x = distribution.getRealization()
    print(i,x)

这将打印：

0 [8]
1 [7]
2 [4]
3 [7]
4 [3]
5 [3]
6 [2]
7 [9]
8 [0]
9 [5]
10 [9]
11 [6]

括号存在是因为x是1维中的一个Point。 通过单次调用getSample生成12个结果会更容易：

sample = distribution.getSample(12)

将会生成：

>>> print(sample)
     [ v0 ]
 0 : [ 3  ]
 1 : [ 9  ]
 2 : [ 6  ]
 3 : [ 3  ]
 4 : [ 2  ]
 5 : [ 6  ]
 6 : [ 9  ]
 7 : [ 5  ]
 8 : [ 9  ]
 9 : [ 5  ]
10 : [ 3  ]
11 : [ 2  ]

关于这个主题的更多细节在这里：http://openturns.github.io/openturns/master/user_manual/_generated/openturns.UserDefined.html