在无偏掷硬币中，H 或 T 出现 50% 的次数。
但我想模拟硬币，它给出概率为“p”的 H 和概率为“(1-p)”的 T。
类似这样的：
def flip(p):
'''this function return H with probability p'''
# do something
return result
>> [flip(0.8) for i in xrange(10)]
[H,H,T,H,H,H,T,H,H,H]
【问题讨论】：
标签： python random probability coin-flipping
import random
def flip(p):
return (random.random() < p)
这会返回一个布尔值，然后您可以使用它来选择您想要的 H 或 T（或在任意两个值之间进行选择）。您还可以在方法中包含选项：
def flip(p):
if random.random() < p:
return 'H'
else:
return 'T'
但这样一般用处不大。
【讨论】：
导入一个0-1之间的随机数（可以使用randrange函数）
如果数字大于 (1-p)，则返回尾部。
否则，返回头
【讨论】：
random.random() 返回 [0, 1) 范围内的均匀分布伪随机浮点数。此数字小于范围 [0,1) 中的给定数字 p，概率为 p。因此：
def flip(p):
return 'H' if random.random() < p else 'T'
一些实验：
>>> N = 100
>>> flips = [flip(0.2) for i in xrange(N)]
>>> float(flips.count('H'))/N
0.17999999999999999 # Approximately 20% of the coins are heads
>>> N = 10000
>>> flips = [flip(0.2) for i in xrange(N)]
>>> float(flips.count('H'))/N
0.20549999999999999 # Better approximation
【讨论】：
您希望“偏差”基于对称分布吗？或者可能是指数分布？高斯有人吗？
嗯，这里是所有方法，从随机文档本身中提取。
首先，三角分布的例子：
print random.triangular(0, 1, 0.7)
random.triangular(low, high, mode)：返回一个随机浮点数
N使得low <= N < high和 与那些之间的指定模式 界限。low和high边界 默认为 零 和 一个。mode参数默认为中点 在边界之间，给出一个对称的 分布。
random.betavariate(alpha, beta)：测试版分发。参数条件为
alpha > 0和beta > 0。返回值介于0和1之间。
random.expovariate(lambd)：指数分布。
lambd是1.0除以所需的平均值。这应该 是非零。 （参数将是 称为“lambda”，但这是一个 Python 中的保留字。）返回 值范围从0到正 无穷大 如果lambd是正数，并且 如果lambd，则从负无穷大到0是否定的。
random.gammavariate(alpha, beta)：伽马分布。 （不是伽马 功能！）上的条件 参数为
alpha > 0和beta > 0。
random.gauss(mu, sigma)：高斯分布。
mu是平均值，sigma是标准 偏差。这稍微快一点 比normalvariate()函数 定义如下。
random.lognormvariate(mu, sigma)：对数正态分布。如果你拿 这个的自然对数 分布，你会得到一个正常的 平均分布
mu和标准 偏差sigma。mu可以有任何 值，并且sigma必须大于 零。
random.normalvariate(mu, sigma)：正态分布。
mu是平均值，sigma是标准差。
random.vonmisesvariate(mu, kappa)：
mu是平均角度，表示为0和2*pi和kappa之间的弧度 是浓度参数，其中 必须大于或等于零。 如果kappa等于零，则此 分布简化为均匀分布 在0到2*pi范围内的随机角度。
random.paretovariate(alpha)：帕累托分布。
alpha是 形状参数。
random.weibullvariate(alpha, beta)威布尔分布。
alpha是 比例参数和beta是形状 参数。
【讨论】：
怎么样：
import numpy as np
n, p = 1, .33 # n = coins flipped, p = prob of success
s = np.random.binomial(n, p, 100)
【讨论】：
也可以使用sympy 从X ~ Bernoulli(p) 分布nsamples 中采样：
from sympy.stats import Bernoulli, sample_iter
list(sample_iter(Bernoulli('X', 0.8), numsamples=10)) # p = 0.8 and nsamples=10
# [1, 1, 0, 1, 1, 0, 1, 1, 1, 1]
返回 'H' 或 'T' 代替使用
def flip(p, n):
return list(map(lambda x: 'H' if x==1 else 'T', sample_iter(Bernoulli('X', p), numsamples=n)))
print(flip(0.8, 10)) # p = 0.8 and nsamples=10
# ['H', 'H', 'T', 'H', 'H', 'T', 'H', 'H', 'H', 'H']
【讨论】：
import random
def flip():
return ["H" if random.randint(0,3) <= 2 else "T" for i in range(10)]
现在正面的概率是 75%，反面的概率是 25%（0,1,2 都是正面，只有 3 是反面）。通过使用 random.randint()，您可以在保持随机性的同时有任何偏差概率。
【讨论】：