如何用Python实现random库随机性测试的批量统计需求？

一、完整代码实现 #

基于你已有的代码，补充循环逻辑即可完成需求，完整代码如下：

import random as rd
import statistics as st

# 初始化存储统计结果的列表
means = []
medians = []
stdevs = []

# 重复10000次统计操作
for _ in range(10000):
    # 生成10000个1到10000的随机整数
    numbers = [rd.randint(1, 10000) for _ in range(10000)]
    # 计算并存储单次统计结果
    means.append(st.mean(numbers))
    medians.append(st.median(numbers))
    stdevs.append(st.stdev(numbers))

# 对三个统计结果列表再做统计分析
print("均值列表的统计：")
print(f"均值: {st.mean(means)}, 中位数: {st.median(means)}, 标准差: {st.stdev(means)}")

print("\n中位数列表的统计：")
print(f"均值: {st.mean(medians)}, 中位数: {st.median(medians)}, 标准差: {st.stdev(medians)}")

print("\n标准差列表的统计：")
print(f"均值: {st.mean(stdevs)}, 中位数: {st.median(stdevs)}, 标准差: {st.stdev(stdevs)}")

二、代码可行性说明 #

这个方案在代码层面完全可行：

• 逻辑清晰，每一步严格对应需求，无语法错误；
• 量级上，10000次循环每次生成10000个数，Python的内存和计算能力完全能承载，运行时间大概几秒到十几秒（取决于机器性能）；
• statistics库是Python标准库实现，稳定可靠，适合新手快速上手。

三、更高效的随机性测试方法 #

如果想提升效率或者做更专业的随机性测试，可以试试这些方向：

1. 用numpy替代纯Python实现 #

numpy的向量化运算比Python列表循环效率高很多，能大幅缩短运行时间，示例代码：

import numpy as np

means = []
medians = []
stdevs = []

for _ in range(10000):
    # numpy生成随机整数数组
    numbers = np.random.randint(1, 10001, size=10000)
    means.append(np.mean(numbers))
    medians.append(np.median(numbers))
    stdevs.append(np.std(numbers, ddof=1))  # ddof=1对应样本标准差，和statistics.stdev逻辑一致

# 最终统计
print("均值列表统计：", np.mean(means), np.median(means), np.std(means, ddof=1))
print("中位数列表统计：", np.mean(medians), np.median(medians), np.std(medians, ddof=1))
print("标准差列表统计：", np.mean(stdevs), np.median(stdevs), np.std(stdevs, ddof=1))

2. 专业统计检验方法 #

伪随机性测试不止看均值、中位数这类描述统计，还可以用统计检验验证是否符合均匀分布：

• 卡方拟合优度检验：检验随机数在各个区间的频数是否符合均匀分布；
• Kolmogorov-Smirnov检验：对比生成数据的累积分布函数和理论均匀分布的差异；
• 可以用scipy.stats库实现这些检验，示例：

from scipy import stats

numbers = np.random.randint(1, 10001, size=10000)
# 卡方检验
chi2, p_value = stats.chisquare(np.histogram(numbers, bins=10)[0])
print(f"卡方检验p值：{p_value}")  # p值>0.05则无法拒绝均匀分布假设

# KS检验，对比[1,10000]的均匀分布
ks_stat, p_value = stats.kstest(numbers, 'uniform', args=(1, 10000))
print(f"KS检验p值：{p_value}")

3. 标准伪随机数测试套件 #

比如Diehard测试集、NIST SP 800-22测试套件，这些是行业标准的随机性测试方法，能从频率、序列相关性、游程等多个维度验证伪随机数生成器的质量，不过需要专门的工具或库支持。

内容的提问来源于stack exchange，提问作者Tudor