ماژول استاندارد random در پایتون

در علوم مهندسی، پردازش داده و شبیه‌سازی، علاوه بر تولید اعداد تصادفی یکنواخت، نیاز به تولید نویزهای واقعی و توزیع‌های آماری داریم. پایتون ماژول استاندارد و توکار random را برای تمامی این نیازها فراهم کرده است.

مفهوم ماژول random

ماژول random جزو کتابخانه استاندارد پایتون (Python Standard Library) است و نیازی به نصب ندارد؛ فقط با دستور import random وارد برنامه می‌شود.

نکته تئوری: این ماژول بر پایه الگوریتم شبه‌تصادفی Mersenne Twister کار می‌کند. با تابع random.seed() می‌توانیم «هسته تصادفی» را ثابت نگه داریم تا نتایج در تمام دفعات اجرا کاملاً یکسان و تکرارپذیر باشند (بسیار مهم در تحقیقات و تست کد).

توابع (متدهای) پرکاربرد ماژول random

معرفی متدهای ماژول random همراه با توضیحات، مثال‌ها و خروجی نمونه به شرح زیر است:

۱. random.randint(a, b)

• توضیح: یک عدد صحیح تصادفی در بازه بسته [a, b] تولید می‌کند (خود a و b هم ممکن است انتخاب شوند).

import random

roll = random.randint(1, 6)
print(roll)  # خروجی نمونه: 4

۲. random.randrange(start, stop, step)

• توضیح: یک عدد صحیح تصادفی از دنباله range(start, stop, step) انتخاب می‌کند. نقطه پایان (stop) در نظر گرفته نمی‌شود.

import random

odd_num = random.randrange(1, 10, 2)
print(odd_num)  # خروجی نمونه: 7

۳. random.random()

• توضیح: یک عدد اعشاری تصادفی با توزیع یکنواخت در بازه نیمه‌باز [0.0, 1.0) تولید می‌کند.

import random

val = random.random()
print(round(val, 4))  # خروجی نمونه: 0.6354

۴. random.uniform(a, b)

• توضیح: یک عدد اعشاری با توزیع یکنواخت در بازه دلخواه [a, b] برمی‌گرداند.

import random

temp = random.uniform(36.5, 37.5)
print(round(temp, 2))  # خروجی نمونه: 36.82

۵. random.gauss(mu, sigma)

• توضیح: تولید عدد تصادفی با توزیع نرمال (گوسی) با میانگین mu ($\mu$) و انحراف معیار sigma ($\sigma$)؛ ایده‌آل برای شبیه‌سازی نویز محیطی و پدیده‌های طبیعی.

import random

noise = random.gauss(0, 1)
print(round(noise, 3))  # خروجی نمونه: -0.428

۶. random.choice(seq)

• توضیح: یک عضو تصادفی را از یک دنباله (مثل لیست یا تاپل) انتخاب می‌کند.

import random

colors = ["red", "blue", "green"]
selected = random.choice(colors)
print(selected)  # خروجی نمونه: 'blue'

۷. random.choices(seq, weights=None, k=1)

• توضیح: تعداد k عضو را با امکان تکرار مجدد انتخاب می‌کند. می‌توان با پارامتر weights برای هر عضو شانس انتخاب متفاوتی تعریف کرد.

import random

items = ["win", "lose"]
results = random.choices(items, weights=[10, 90], k=3)
print(results)  # خروجی نمونه: ['lose', 'lose', 'win']

۸. random.sample(seq, k)

• توضیح: تعداد k عضو تصادفی یکتا (بدون تکرار) از دنباله انتخاب می‌کند.

import random

lottery = list(range(1, 20))
winning_numbers = random.sample(lottery, 3)
print(winning_numbers)  # خروجی نمونه: [14, 3, 9]

۹. random.shuffle(list)

• توضیح: ترتیب عناصر یک لیست را به صورت درجا (In-place) به‌هم می‌ریزد و مقداری برنمی‌گرداند (None).

import random

deck = [1, 2, 3, 4, 5]
random.shuffle(deck)
print(deck)  # خروجی نمونه: [3, 1, 5, 2, 4]

۱۰. random.seed(x)

• توضیح: مقداردهی اولیه هسته الگوریتم تولید تصادفی را انجام می‌دهد تا در دفعات بعدی اجرای کد، دقیقاً همان خروجی‌های قبلی بازتولید شوند.

import random

random.seed(42)
print(random.randint(1, 100))  # خروجی قطعی و ثابت: 82

مثال‌های کاربردی

مثال اول: تولید نویز تصادفی با توزیع گوسی (gauss)

• صورت مسئله: می‌خواهیم نویز حرارتی سنسور را که از توزیع نرمال پیروی می‌کند با میانگین 0 و انحراف معیار 0.15شبیه‌سازی کرده و به سیگنال اضافه کنیم.

import random

base_signal = 1.25  # ولتاژ پایه سیگنال

# تولید نویز گوسی با میانگین ۰ و انحراف معیار ۰.۱۵
gaussian_noise = random.gauss(0.0, 0.15)
noisy_signal = base_signal + gaussian_noise

print(f"نویز گوسی: {round(gaussian_noise, 4)}")
print(f"سیگنال نهایی با نویز: {round(noisy_signal, 4)}")

مثال دوم: تولید مقادیر با گام مشخص با randrange

• صورت مسئله: می‌خواهیم یک بازه زمانی تصادفی بر حسب میلی‌ثانیه بین ۱۰۰ تا ۵۰۰ تولید کنیم، اما فقط مقادیری که مضرب ۵۰ هستند مجاز باشند.

import random

# تولید عدد تصادفی با شروع ۱۰۰، پایان ۵۰۰ و گام ۵۰
interval_ms = random.randrange(100, 550, 50)
print(f"بازه زمانی انتخاب‌شده: {interval_ms} میلی‌ثانیه")

مثال سوم: نمونه‌برداری وزن‌دار با choices

• صورت مسئله: در شبیه‌سازی وقوع ضربان‌های قلب، احتمال ضربان نرمال ۸۰٪ و آریتمی ۲۰٪ است. می‌خواهیم وضعیتی را بر اساس این احتمال تولید کنیم.

import random

classes = ["Normal", "Arrhythmia"]
weights = [0.8, 0.2]

selected_class = random.choices(classes, weights=weights, k=1)[0]
print(f"وضعیت ثبت‌شده بر اساس توزیع وزن‌دار: {selected_class}")

صورت مسئله

می‌خواهیم یک خط لوله (Pipeline) کامل آزمایشی بنویسیم که:

1. ابتدا با seed تکرارپذیری نتایج را تضمین کند.
2. ۵ نمونه نویز گوسی برای یک سیگنال تولید و میانگین نویز را گزارش کند.
3. با sample، تعدادی کانال سنسور را بدون تکرار انتخاب و با shuffle ترتیب خواندن آن‌ها را تصادفی کند.

import random

def run_advanced_random_pipeline():
    """
    اجرای جامع پایپ‌لاین ماژول random شامل توزیع گوسی، seed، sample و shuffle
    """
    # ۱. تثبیت تصادفی بودن جهت تکرارپذیری نتایج
    random.seed(42)
    print("=== مقدار seed روی 42 تنظیم شد ===")

    # ۲. شبیه‌سازی نویز گوسی (توزیع نرمال)
    mu, sigma = 0.0, 0.2
    noise_samples = [random.gauss(mu, sigma) for _ in range(5)]
    print("\n۵ نمونه نویز گوسی تولید شده:")
    for i, noise in enumerate(noise_samples, 1):
        print(f"  نمونه {i}: {round(noise, 4)}")

    # ۳. انتخاب نمونه بدون تکرار با sample
    sensors = [f"Sensor_{ch}" for ch in ["V1", "V2", "V3", "V4", "V5", "V6", "LeadI", "LeadII"]]
    selected_sensors = random.sample(sensors, k=3)
    print(f"\nکانال‌های سنسور انتخاب‌شده (sample): {selected_sensors}")

    # ۴. بر هم زدن ترتیب با shuffle
    execution_queue = selected_sensors.copy()
    random.shuffle(execution_queue)
    print(f"ترتیب تصادفی پردازش کانال‌ها (shuffle): {execution_queue}")

    # ۵. تولید عدد تصادفی گام‌دار با randrange
    baud_rate = random.randrange(9600, 115200 + 1, 9600)
    print(f"\nنرخ ارسال داده انتخابی (randrange): {baud_rate} bps")


if __name__ == "__main__":
    run_advanced_random_pipeline()

نتیجه‌گیری

ماژول random ابزاری کامل در کتابخانه استاندارد پایتون است که نه‌تنها انتخاب‌ها و اعداد یکنواخت (randint, uniform) را مدیریت می‌کند، بلکه با توابعی مثل gauss و choices امکان شبیه‌سازی سیستم‌های تصادفی واقعی، نویزهای آماری و نمونه‌برداری‌های وزن‌دار را فراهم می‌سازد.