均匀离散随机变量。
作为一个实例rv_discrete类，randint对象从中继承了通用方法的集合(完整列表请参见下文)，并使用特定于此特定发行版的详细信息来完善它们。
注意：
的概率质量函数randint是：
对于k = low, ..., high - 1。
randint需要low和high作为形状参数。
上面的概率质量函数以“standardized”形式定义。要转移分布，请使用loc参数。特别，randint.pmf(k, low, high, loc)等同于randint.pmf(k - loc, low, high)。
例子：
>>> from scipy.stats import randint
>>> import matplotlib.pyplot as plt
>>> fig, ax = plt.subplots(1, 1)
首先计算一下：
>>> low, high = 7, 31
>>> mean, var, skew, kurt = randint.stats(low, high, moments='mvsk')
显示概率质量函数(pmf)：
>>> x = np.arange(randint.ppf(0.01, low, high),
... randint.ppf(0.99, low, high))
>>> ax.plot(x, randint.pmf(x, low, high), 'bo', ms=8, label='randint pmf')
>>> ax.vlines(x, 0, randint.pmf(x, low, high), colors='b', lw=5, alpha=0.5)
或者，可以调用分发对象(作为函数)以固定形状和位置。这将返回固定固定给定参数的“frozen” RV对象。
冻结发行版并显示冻结的pmf：
>>> rv = randint(low, high)
>>> ax.vlines(x, 0, rv.pmf(x), colors='k', linestyles='-', lw=1,
... label='frozen pmf')
>>> ax.legend(loc='best', frameon=False)
>>> plt.show()
检查的准确性cdf和ppf：
>>> prob = randint.cdf(x, low, high)
>>> np.allclose(x, randint.ppf(prob, low, high))
True
生成随机数：
>>> r = randint.rvs(low, high, size=1000)
方法：
rvs(low, high, loc=0, size=1, random_state=None)
随机变量。
pmf(k, low, high, loc=0)
概率质量函数。
logpmf(k, low, high, loc=0)
概率质量函数的对数。
cdf(k, low, high, loc=0)
累积分布函数。
logcdf(k, low, high, loc=0)
累积分布函数的日志。
sf(k, low, high, loc=0)
生存函数(也定义为1 - cdf，但sf有时更准确)。
logsf(k, low, high, loc=0)
生存函数的日志。
ppf(q, low, high, loc=0)
百分比点函数(的倒数cdf—百分位数)。
isf(q, low, high, loc=0)
逆生存函数(sf)。
stats(low, high, loc=0, moments=’mv’)
均值(‘m’)，方差(‘v’)，偏斜(‘s’)和/或峰度(‘k’)。
entropy(low, high, loc=0)
RV的(微分)熵。
expect(func, args=(low, high), loc=0, lb=None, ub=None, conditional=False)
函数(具有一个参数)相对于分布的期望值。
median(low, high, loc=0)
分布的中位数。
mean(low, high, loc=0)
分布的平均值。
var(low, high, loc=0)
分布的差异。
std(low, high, loc=0)
分布的标准偏差。
interval(alpha, low, high, loc=0)
包含分布的Alpha百分比的范围的端点
