Python随机生成数的方法是什么

在Python中，可以使用random模块中的函数生成随机数。以下是生成随机数的一些常用方法：

1. randint(a, b)：生成一个[a, b]之间的整数。

2. uniform(a, b)：生成一个[a, b]之间的浮点数。

3. random()：生成一个[0, 1)之间的浮点数。

4. choice(seq)：从序列中随机选择一个元素。

5. shuffle(seq)：将序列中的元素随机打乱。

6. sample(seq, k)：从序列中随机选择k个元素，返回一个新的列表。

示例代码：

import random

# 生成一个[1, 100]之间的整数
num = random.randint(1, 100)
print(num)

# 生成一个[0, 1)之间的浮点数
num = random.random()
print(num)

# 从序列中随机选择一个元素
fruit = random.choice(['apple', 'banana', 'orange'])
print(fruit)

# 将序列中的元素随机打乱
seq = [1, 2, 3, 4, 5]
random.shuffle(seq)
print(seq)

# 从序列中随机选择3个元素，返回一个新的列表
seq = [1, 2, 3, 4, 5]
new_seq = random.sample(seq, 3)
print(new_seq)

相关问题

Python 结构体随机生成树

生成随机树的常用算法是Prim算法和Kruskal算法，它们都可以用来生成带权的树，也可以用来生成无权的树。这里以Prim算法为例，介绍如何在Python中生成随机无权树的代码：

import random

# 定义节点类
class Node:
    def __init__(self, val):
        self.val = val
        self.neighbours = []

# 定义生成随机树的函数
def generate_random_tree(n):
    nodes = [Node(i) for i in range(n)]  # 创建节点列表
    root = nodes[0]  # 随机选取一个节点作为根节点
    visited = {root}  # 标记已经访问的节点
    unvisited = set(nodes[1:])  # 未访问的节点集合
    while unvisited:
        # 随机选择一个已经访问的节点和一个未访问的节点
        v = random.choice(list(visited))
        u = random.choice(list(unvisited))
        # 将u加入到v的邻居列表中，并标记u已经访问
        v.neighbours.append(u)
        visited.add(u)
        unvisited.remove(u)
    return root

# 测试代码
if __name__ == '__main__':
    root = generate_random_tree(10)
    print(root.val)
    print([node.val for node in root.neighbours])

这段代码中，我们首先定义了一个节点类，每个节点有一个值和一个邻居列表。然后定义了一个生成随机树的函数，函数的输入是节点个数n，输出是随机生成的树的根节点。在函数中，我们首先创建节点列表，然后随机选取一个节点作为根节点，并将其标记为已经访问。然后我们维护两个集合，一个是已经访问的节点集合visited，一个是未访问的节点集合unvisited。在每一次循环中，我们随机选择一个已经访问的节点v和一个未访问的节点u，将u加入到v的邻居列表中，并将u标记为已经访问。最后返回根节点即可。

以上代码仅给出了一个简单的无权树的生成算法，如果需要生成带权树，可以在每次选择未访问节点时，随机赋予一个权值。

随机生成树RRT python

### 使用Python实现RRT算法

随机快速探索随机树 (Randomized Rapidly-exploring Random Tree, RRT) 是一种用于路径规划的有效方法，在机器人学等领域有广泛应用。下面是一个简单的基于Python的RRT算法实现。

#### 初始化环境和节点类定义
为了构建RRT，首先需要定义表示空间中的节点以及初始化环境参数：

import numpy as np
import matplotlib.pyplot as plt
from scipy.spatial import KDTree

class Node:
    def __init__(self, x, y):
        self.x = x
        self.y = y
        self.path_x = []
        self.path_y = []
        self.parent = None

此部分代码创建了一个`Node`类来存储坐标位置及其父节点信息[^1]。

#### 主要函数：生成RRT并寻找最短路径
接下来是核心逻辑——通过迭代过程逐步扩展树木直到找到目标点附近的解为止:

def rrt(start=[0, 0], goal=[6, 10], obstacle_list=[], expand_dis=1,
         path_resolution=0.5, max_iter=500):

    start_node = Node(start[0], start[1])
    end_node = Node(goal[0], goal[1])

    node_list = [start_node]

    for i in range(max_iter):
        rnd_node = generate_random_node(obstacle_list)

        nearest_ind = KDTree([(node.x, node.y) for node in node_list]).query((rnd_node.x, rnd_node.y))[1]
        nearest_node = node_list[nearest_ind]

        new_node = steer(nearest_node, rnd_node, expand_dis)[^2]

        if check_collision(new_node, obstacle_list):  
            near_indices = find_near_nodes(node_list, new_node)
            connect_tree(node_list, new_node, near_indices)

            if calculate_dist_to_goal(new_node.x, new_node.y) <= expand_dis:
                final_course = get_final_course(len(node_list) - 1, goal, node_list)
                return final_course
            
    return None

这段程序实现了完整的RRT流程，包括随机采样、最近邻居查询、新节点生成与连接操作等主要步骤[^3]。

#### 辅助功能模块
除了上述两个关键组件外，还需要一些辅助性的子程序来进行碰撞检测、距离计算等工作：

def is_collision_free(point, obstacles):
    """判断给定点是否位于障碍物内部"""
    ...

def get_nearest_node_index(nodes, point):
    """获取离指定点最近的一个节点索引"""
    ...
    
def calc_distance_and_angle(from_node, to_node):
    """返回两点间欧氏距离及方向角"""
    dx = to_node.x - from_node.x
    dy = to_node.y - from_node.y
    d = math.sqrt(dx ** 2 + dy ** 2)
    theta = math.atan2(dy, dx)
    return d, theta
    
...

这些帮助器函数提供了必要的工具支持整个算法框架正常运作[^4]。