对数正态分布（对数正态分布是左偏态分布）

　　对数正态分布（对数正态分布是左偏态分布）前言
　　在实际的开发中，经常会用到随机数生成。而random库专用于随机数的生成，它是基于Mersenne Twister算法提供了一个快速伪随机数生成器。
　　本篇，将详细讲解各种场景之下随机数的生成应用。生成随机数
　　对于随机数的生成，random库提供了很多函数，有的负责生成浮点数，有的负责生成整型，还有的可以生成区间内的随机数等。
　　函数名
　　参数
　　意义
　　random
　　无参数
　　随机生成[0-1]之间浮点数
　　uniform
　　2个整型参数：最小数，最大数
　　随机生成最小最大之间的浮点数
　　randint
　　2个整型参数：最小数，最大数
　　随机生成最小最大之间的整数
　　randrange
　　3个整型参数：最小数，最大数，步长
　　随机生成最小最大之间的间隔步长整数
　　下面，我们来看看这些常用的随机数生成函数的应用：importrandom#随机生成[0-1]之间浮点数print(＂%04.2f＂%random.random())  #随机生成浮点数print(＂%04.2f＂%random.uniform(100,200))  #随机生成整型print(random.randint(1,200))  #随机生成整型print(random.randrange(0,200,5))
　　运行之后，效果如下：
　　以上是最常用的，也是最普遍的随机数用法。种子
　　不知道读者发现没有，通过上面这些方法虽然能生成随机数，但是随机数都是无序的。这次你运行可能开头是一个数，结尾是一个数，下次运行开头和结尾又会不一样。这对于需要固定序列的随机数需求而言，显然不合适。
　　所以，random库给我们提供了种子函数：random.seed()。种子会控制由公式生成的第一个值，由于公式是确定的，所以每次只要种子相同，随机数每次生成的序列值就相同。importrandomrandom.seed(1)  #随机生成浮点数print(＂%04.2f＂%random.random())  #随机生成浮点数print(＂%04.2f＂%random.uniform(100,200))  #随机生成整型print(random.randint(1,200))  #随机生成整型print(random.randrange(0,200,5))
　　多次运行上面这段代码，你会发现每次随机数都是一样的。
　　random.sample
　　博主经常编写刷评论的脚本，但是对于爬虫来说，有一个与众不同的随机数需求。比如，我要评论20个网页，那么将20个网页放在数组中，就会有（0，19）索引进行选择。如果用平常的区间随机数，那么可能会漏掉一些值，意味着也会漏掉一些网页没有评论。
　　这个时候，博主肯定期望生成一个（0，19）区间的随机数样本，且不重复。保证一个轮回评论完成之后，没有一个网页漏掉。那么这种需求用random库如何操作呢？
　　当然，小标题已经给出答案了，可以使用random.sample()函数：importrandomprint(random.sample(range(0,20),20))
　　运行之后，效果如下：
　　random.sample第1个参数是一个区间数组，比如随机数在(0,19)，那么第1个参数就是range(0,19)；第2个是生成多少不重复的随机数，这里需要全部网页都能评论到，所以生成20个随机数。可以看到上面所有随机数都不重复，且都在区间而且唯一。（该函数还可以用于扑克牌的发放，感兴趣的读者，可以自己写写代码熟练掌握）随机元素
　　在概率统计中，我们经常使用随机数进行预测概率，比如一枚硬币正面朝上的概率是多少等等。这种求概率的随机元素操作，如果通过随机数实现呢？
　　答案是random.choice()函数，它可以从一个序列中随机选择元素。比如这里我们来抛硬币10000次，看看各面朝上的概率是多少。具体代码如下：importrandom    coin_pro={'heads':0,'tails':0,  }  coin=['heads','tails']foriinrange(10000):  coin_pro[random.choice(coin)]+=1print(＂正面朝上次数：＂,coin_pro['heads'])print(＂反面朝上次数：＂,coin_pro['tails'])
　　运行之后，我们会得到次数，从而也可以计算概率。
　　SystemRandom
　　random库下还有一个SystemRandom类，该类产生的系列是不可再生的，因为其随机性跟随系统，而不是来自软件自身。
　　我们先来看一段代码：importrandomimporttimer1=random.SystemRandom()print(r1.random())  seed=time.time()    r1=random.SystemRandom(seed)print(r1.random())
　　运行之后，效果如下：
　　你可以简单地把SystemRandom理解为该随机数的生成因子是系统时间，根据系统时间因子生成的随机数。（只是做一个类比），也就是上面seed因子根本不起作用，它只用系统的随机种子。非均匀分布
　　使用numpy库的读者，应该会经常用到该库生成一些正态分布的值。同样的，random随机数库也提供了这些分布的函数用于进行科学计算的应用。下面，我们来分别讲解这些随机数如何生成。
　　函数
　　意义
　　betavariate()
　　根据Beta分布返回一个介于0和1之间的随机浮点数（用于统计信息）
　　expovariate()
　　根据指数分布（用于统计信息），返回一个介于0和1之间或如果介于0和-1之间的随机浮点数（如果参数为负）
　　gammavariate()
　　根据Gamma分布返回一个介于0和1之间的随机浮点数（用于统计信息）
　　gauss()
　　根据高斯分布（在概率论中使用）返回介于0和1之间的随机浮点数
　　lognormvariate()
　　根据对数正态分布（用于概率论），返回介于0和1之间的随机浮点数
　　normalvariate()
　　根据正态分布（在概率论中使用）返回介于0和1之间的随机浮点数
　　vonmisesvariate()
　　根据von Mises分布返回0到1之间的一个随机浮点数（用于定向统计）
　　paretovariate()
　　根据帕累托分布（在概率论中使用）返回介于0和1之间的随机浮点数
　　weibullvariate()
　　根据Weibull分布返回0到1之间的随机浮点数（用于统计信息）正态分布
　　random库中提供了函数normalvariate()和gauss()生成正态分布随机数（高斯分布）。当然还有一个函数lognormvariate()也可以生成正态分布，不过它生成的正态分布适用于多个不交互随机变量的积。importrandomforiinrange(2):print(random.normalvariate(0,1))foriinrange(2):print(random.gauss(0,1))
　　运行之后，效果如下：
　　以上都有2个参数：平均值与协方差。平均值是N维空间中的一个坐标，表示样本最有可能产生的位置。这类似于一维或单变量正态分布的钟形曲线的峰值。协方差表示两个变量一起变化的水平。近似分布
　　三角分布(triangular distribution)，亦称辛普森分布或三角形分布。在概率论与统计学中，三角形分布是低限为a、众数为c、上限为b的连续概率分布。
　　triangular()方法返回两个指定数字（包括两者）之间的随机浮点数，但是您也可以指定第三个参数，即mode 参数。mode参数使您有机会权衡可能的结果，使其更接近其他两个参数值之一。mode参数默认为其他两个参数值之间的中点，它将不会权衡任何方向的可能结果。importrandomprint(random.triangular(20,60,30))
　　运行之后，效果如下：
　　其他函数感兴趣的可以自行研究。