这更多是一种数学方法，但它在100%的时间内都有效：

假设您想使用random（）函数生成a和b之间的数字。要实现这一点，只需执行以下操作：

num=（b-a）*随机随机（）+a；

当然，你可以生成更多的数字。

试试看：

from random import randrange, uniform

# randrange gives you an integral value
irand = randrange(0, 10)

# uniform gives you a floating-point value
frand = uniform(0, 10)

选择阵列的大小（在本例中，我选择的大小为20）。然后，使用以下方法：

import numpy as np   
np.random.randint(10, size=(1, 20))

您可以期望看到以下形式的输出（每次运行时都会返回不同的随机整数；因此，您可以期望输出数组中的整数与下面给出的示例不同）。

array([[1, 6, 1, 2, 8, 6, 3, 3, 2, 5, 6, 5, 0, 9, 5, 6, 4, 5, 9, 3]])

我想我应该用quantumrand来补充这些答案，它使用ANU的量子数生成器。不幸的是，这需要互联网连接，但如果你关心数字的“随机性”，那么这可能是有用的。

https://pypi.org/project/quantumrand/

实例

import quantumrand

number = quantumrand.randint(0, 9)

print(number)

输出：4

文档中有很多不同的例子，包括骰子和列表选择器。

random.sample是另一个可以使用的

import random
n = 1 # specify the no. of numbers
num = random.sample(range(10),  n)
num[0] # is the required number

OpenTURNS不仅可以模拟随机整数，还可以使用UserDefined定义的类定义关联的分布。

以下模拟了分布的12个结果。

import openturns as ot
points = [[i] for i in range(10)]
distribution = ot.UserDefined(points) # By default, with equal weights.
for i in range(12):
    x = distribution.getRealization()
    print(i,x)

这将打印：

0 [8]
1 [7]
2 [4]
3 [7]
4 [3]
5 [3]
6 [2]
7 [9]
8 [0]
9 [5]
10 [9]
11 [6]

括号在那里，因为x是一维中的一个点。在对getSample的一次调用中生成12个结果会更容易：

sample = distribution.getSample(12)

将产生：

>>> print(sample)
     [ v0 ]
 0 : [ 3  ]
 1 : [ 9  ]
 2 : [ 6  ]
 3 : [ 3  ]
 4 : [ 2  ]
 5 : [ 6  ]
 6 : [ 9  ]
 7 : [ 5  ]
 8 : [ 9  ]
 9 : [ 5  ]
10 : [ 3  ]
11 : [ 2  ]

有关此主题的更多详细信息，请参见：http://openturns.github.io/openturns/master/user_manual/_generated/openturns.UserDefined.html