编写代码，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 ns步后计算 np个粒子的平均位置。 在数学上可以证明，在np →∞时，平均位置逼近r*ns−(1−r)ns（ns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。

下面是代码实现，使用了 NumPy 库来实现向量化计算，提高了程序的效率：

import numpy as np

def random_walk1D_drift(np, ns, r):
    # 生成 np 个粒子，每个粒子随机游走 ns 步
    steps = 2 * np.random.randint(0, 2, size=(np, ns)) - 1
    # 将 0 和 1 转换为 -1 和 1
    steps[steps == 0] = -1
    # 计算每个粒子的位置
    positions = np.cumsum(steps, axis=1)
    # 计算每个粒子的平均位置
    mean_positions = np.mean(positions, axis=0)
    # 计算估算值
    estimate = r * ns - (1 - r) * ns
    return estimate + np.mean(mean_positions)

其中，np.random.randint(0, 2, size=(np, ns)) 生成了一个大小为 (np, ns) 的数组，其中每个元素都是 0 或 1。-1 和 1 的转换使用了 NumPy 数组的广播特性，即将一个标量值与一个数组相加时，标量值会自动扩展成与数组相同的形状，从而实现了每个元素都加上一个标量值的操作。最后，使用 np.mean() 函数计算每个粒子的平均位置，然后再次使用 np.mean() 函数计算所有粒子的平均位置，并将其加上估算值，即可得到最终的估算结果。