根据提示，在右侧编辑器补充代码，完善一维随机游走程序，使得向右移动的概率为 r，向左移动的概率为 1-r（生成中的数字，而不是{1,2}中的整数）。在 n s ​ 步后计算 n p ​ 个粒子的平均位置。 在数学上可以证明，在n p ​ →∞时，平均位置逼近rn s ​ −(1−r)n s ​ （n s ​ 是步数）。 请你编写函数 random_walk1D_drift(np, ns, r)，返回 np 个粒子随机游走 ns 步（每步右移概率为 r）后平均位置的估算值。

import numpy as np

def random_walk1D_drift(np, ns, r):
    pos = np.zeros(np)
    for i in range(ns):
        move_right = np.random.random(np) < r
        move_left = np.invert(move_right)
        pos += move_right.astype(int) - move_left.astype(int)
    return np.mean(pos)

# 示例测试
print(random_walk1D_drift(1000, 100, 0.6))

解释：

1. `pos = np.zeros(np)` 初始化每个粒子的位置为0，这里使用了numpy的广播机制，pos数组的形状为（np，）
2. `np.random.random(np)` 生成np个[0,1)之间的随机数，形状为（np，），表示每个粒子进行一步随机游走时向右移动的概率
3. `< r` 表示小于r的为True，大于等于r的为False，形状和前面一样为（np，），表示每个粒子进行一步随机游走时向右移动的结果
4. `np.invert(move_right)` 将True变为False，False变为True，表示每个粒子进行一步随机游走时向左移动的结果
5. `move_right.astype(int) - move_left.astype(int)` 将True和False转换为1和-1，表示每个粒子进行一步随机游走后的位移量，形状和pos一样为（np，）
6. `pos += move_right.astype(int) - move_left.astype(int)` 将每个粒子的位移量加到对应位置上，更新每个粒子的位置
7. `np.mean(pos)` 计算所有粒子位置的平均值，就是粒子在进行ns步随机游走后的平均位置