数码资讯
每个人都在抢红包，程序员正在研究红包算法。
通过微信红包的用户在除夕夜发送的总次数达到10亿1000万次，与波浪相互作用的量达到110亿次，和红包的峰值传输是每分钟8亿1000万次。 除了微信红包的市场价值，该红包本身的算法也引起了激烈的争论。因为官员们没有给出明确的声明，他们也有不同的意见。 首先看数据分析 大多数人自己猜，这是唯一的选择，
选购提示
关注价格、性能、续航、售后和真实使用场景，理性比较后再下单。
通过微信红包的用户在除夕夜发送的总次数达到10亿1000万次，与波浪相互作用的量达到110亿次，和红包的峰值传输是每分钟8亿1000万次。
除了微信红包的市场价值，该红包本身的算法也引起了激烈的争论。因为官员们没有给出明确的声明，他们也有不同的意见。
首先看数据分析
大多数人自己猜，这是唯一的选择，当我们不知道内部随机算法，但大多数人不给自己的结果。这里是一个样本的100个样本数据样本，并提出自己的猜测。
1个数字。钱包满足截尾正态随机数的分布，一般在截尾正态分布中取随机数，用和数分割总值得到校正因子。然后我们把所有的随机数和修正因子相乘，得到所有的红色数。
这种分布意味着在平均值之下有更多的红色包，但它们离平均值不远，但红包高于平均值，但红包比平均值大得多。
图1。钱包值及其频数分布直方图及其正态拟合
但我们不能看到分布直方图与正态分布一致。但考虑到程序的简洁性和随机数的合理性，这是最合理的猜测。
钱包的背面越多，其价值一般越高。
图2。荷包序列数与其价值的关系曲线
从线性拟合的红色的线，在图2中，我们可以看到，钱包值总体趋势是缓慢增加，其变化范围约为绿色虚线。（曲线可以用这样一种积极的跳出常规的渠道，也从侧面反映了1个法律的合理性，这是不均匀分布随机数的囤积）
这个规则也可以从另一个平均数的图表中看出。
图3。平均数随数列的变化曲线
在样本中，1000的钱包被分为100个，平均值为10，但是，在图3中，我们可以看到，在最后一个钱包之后，平均数一直低于10，这意味着钱包的开始值很低，并且被后来钱包的价值所拖累。后钱包的价值甚至更高。
三.当然，平均数字也可以揭示另一条规则，即最后一个人往往更容易获得幸运。因为最后一个人拿了很多钱包，而以前所有人的平均数都不到10，所以至少最后一个人会高于平均水平。在这个例子中，98号钱包抽35，最后一个钱包抽46。
总之，根据样本，猜测：
1。你所赚的钱和别人一样少，但再一次，你就容易多了。
2。钱包越多，钱就越容易。
三.最后一个人通常很容易被击中。
点评：这显然很实用，也有区别。每一次一个小编辑都在抢它，这是几美分。
第二个学生写了一个简单的Python代码。
根据观察，红包满足以下几点：
1。没人拿不到钱。
2。不会提前分开
三.货币波动幅度大。
当红色包在一开始创建时，分配方案被设置。
因此Python代码如下所示：
DEF weixin_divide_hongbao（钱、N）：
divide_table = { random.randint（1, 10000）
为x的xrange（0，n）}
sum_ =总和（divide_table）
返回{ x *钱/ sum_ X在divide_table }
但是算法中有两个小问题。
1。浮点数精度问题
2。边界值的处理
第三根据学生写的Python版本的java，这是网上流传的
int = 1；
同时（J＜1000）
{
整数= 10；
浮点总数= 100；
浮动货币；
双min＝0.01；
双最大；
int = i 1；
数学=新的列表（列表）；
同时（i <数字）
{
max =总的最小*（数字i）；
int k =（int）（（number-i） / 2）；
如果（我2号）
{数字= i；}
马克斯=最大/ K；
钱=（int）（民* 100 + Math.random（）*（最大值×100分钟×100 + 1））；
货币=（浮动）货币 100；
总金额=总金额；
math.add（钱）；
System.out.println（+我+个人+金钱+左+总）；
++；
如果（i =数字）
{
Math.add（总）；
System.out.println（+我+个人+总+左0）；
}
}
System.out.println（红包+（math.indexof（Collections.max（数学））+ 1）+个人好运）；
++；
}
这第四个学生的算法看起来很科学。
他认为：
1，每个人都应该能收到红包。
2。每个人收到的红包总数=总数；
3、每人收到一个红包的数额，但也不能太差，否则就不感兴趣了；
4，算法必须简单，否则我很抱歉腾讯的标志；
在形式化编码之前，建立一个渐进模型来分析规则。
总金额10元，随机抽取N人：
n = 1
红包的金额是x元。
n = 2
为了确保第二个红包能够正常发出，第一个红色包的数量从0.01到9.99是一个随机数。
第二红包= 10 -第一红包金额；
n = 3
在1＝0.01和0.98之间的随机数的红色数据包。
一个随机数的红包2 = 0.01（10红包1-0.01）
红色包3 = 10 -红色包1 -红色包2
......
int = 1；
同时（J＜1000）
{
整数= 10；
浮点总数= 100；
浮动货币；
双min＝0.01；
双最大；
int = i 1；
数学=新的列表（列表）；
同时（i <数字）
{
max =总的最小*（数字i）；
int k =（int）（（number-i） / 2）；
如果（数字I 2）
{数字= i；}
马克斯=最大/ K；
钱=（int）（民* 100 + Math.random（）*（最大值×100分钟×100 + 1））；
货币=（浮动）货币 100；
总金额=总金额；
math.add（钱）；
System.out.println（+我+个人+金钱+左+总）；
++；
如果（i =数字）
{
Math.add（总）；
System.out.println（+我+个人+总+左0）；
}
}
System.out.println（红包+（math.indexof（Collections.max（数学））+ 1）+个人好运）；
++；
}
进去看看，波动太大了，这个数据太无聊了！
第一个红包：7.48元，余额：2.52元。
第二红包：1.9元，余额：0.62元。
第三个红包：0.49元，余额：0.13元。
第四个红包：0.04元，余额：0.09元。
第五个红包：0.03元，余额：0.06元。
第六个红包：0.03元，余额：0.03元。
第七个红包：0.01元，余额：0.02元。
第八个红包：0.02元，余额：0元。
改进，用平均值作为随机安全极限来控制波动
int = 1；
同时（J＜1000）
{
整数= 10；
浮点总数= 100；
浮动货币；
双min＝0.01；
双最大；
int = i 1；
数学=新的列表（列表）；
同时（i <数字）
{
max =总的最小*（数字i）；
int k =（int）（（number-i） / 2）；
如果（我2号）
{数字= i；}
马克斯=最大/ K；
钱=（int）（民* 100 + Math.random（）*（最大值×100分钟×100 + 1））；
货币=（浮动）货币 100；
总金额=总金额；
math.add（钱）；
System.out.println（+我+个人+金钱+左+总）；
++；
如果（i =数字）
{
Math.add（总）；
System.out.println（+我+个人+总+左0）；
}
}
System.out.println（红包+（math.indexof（Collections.max（数学））+ 1）+个人好运）；
++；
}
输出结果如下所示
第一个红包：0.06元，余额：9.94元。
第二红包：1.55元，余额：8.39元。
第三个红包：0.25元，余额：8.14元。
第四个红包：0.98元，余额：7.16元。
第五个红包：1.88元，余额：5.28元。
第六个红包：1.92元，余额：3.36元。
第七个红包：2.98元，余额：0.38元。
第八个红包：0.38元，余额：0元。
总结：
萧边认为它可以理解为一个由小红包引起的谋杀，只列出几个，有些工科学生直接抛出离散函数数学模型，等等，但算法是否简单或复杂，玩得够开心的了。
除了微信红包的市场价值，该红包本身的算法也引起了激烈的争论。因为官员们没有给出明确的声明，他们也有不同的意见。
首先看数据分析
大多数人自己猜，这是唯一的选择，当我们不知道内部随机算法，但大多数人不给自己的结果。这里是一个样本的100个样本数据样本，并提出自己的猜测。
1个数字。钱包满足截尾正态随机数的分布，一般在截尾正态分布中取随机数，用和数分割总值得到校正因子。然后我们把所有的随机数和修正因子相乘，得到所有的红色数。
这种分布意味着在平均值之下有更多的红色包，但它们离平均值不远，但红包高于平均值，但红包比平均值大得多。
图1。钱包值及其频数分布直方图及其正态拟合
但我们不能看到分布直方图与正态分布一致。但考虑到程序的简洁性和随机数的合理性，这是最合理的猜测。
钱包的背面越多，其价值一般越高。
图2。荷包序列数与其价值的关系曲线
从线性拟合的红色的线，在图2中，我们可以看到，钱包值总体趋势是缓慢增加，其变化范围约为绿色虚线。（曲线可以用这样一种积极的跳出常规的渠道，也从侧面反映了1个法律的合理性，这是不均匀分布随机数的囤积）
这个规则也可以从另一个平均数的图表中看出。
图3。平均数随数列的变化曲线
在样本中，1000的钱包被分为100个，平均值为10，但是，在图3中，我们可以看到，在最后一个钱包之后，平均数一直低于10，这意味着钱包的开始值很低，并且被后来钱包的价值所拖累。后钱包的价值甚至更高。
三.当然，平均数字也可以揭示另一条规则，即最后一个人往往更容易获得幸运。因为最后一个人拿了很多钱包，而以前所有人的平均数都不到10，所以至少最后一个人会高于平均水平。在这个例子中，98号钱包抽35，最后一个钱包抽46。
总之，根据样本，猜测：
1。你所赚的钱和别人一样少，但再一次，你就容易多了。
2。钱包越多，钱就越容易。
三.最后一个人通常很容易被击中。
点评：这显然很实用，也有区别。每一次一个小编辑都在抢它，这是几美分。
第二个学生写了一个简单的Python代码。
根据观察，红包满足以下几点：
1。没人拿不到钱。
2。不会提前分开
三.货币波动幅度大。
当红色包在一开始创建时，分配方案被设置。
因此Python代码如下所示：
DEF weixin_divide_hongbao（钱、N）：
divide_table = { random.randint（1, 10000）
为x的xrange（0，n）}
sum_ =总和（divide_table）
返回{ x *钱/ sum_ X在divide_table }
但是算法中有两个小问题。
1。浮点数精度问题
2。边界值的处理
第三根据学生写的Python版本的java，这是网上流传的
int = 1；
同时（J＜1000）
{
整数= 10；
浮点总数= 100；
浮动货币；
双min＝0.01；
双最大；
int = i 1；
数学=新的列表（列表）；
同时（i <数字）
{
max =总的最小*（数字i）；
int k =（int）（（number-i） / 2）；
如果（我2号）
{数字= i；}
马克斯=最大/ K；
钱=（int）（民* 100 + Math.random（）*（最大值×100分钟×100 + 1））；
货币=（浮动）货币 100；
总金额=总金额；
math.add（钱）；
System.out.println（+我+个人+金钱+左+总）；
++；
如果（i =数字）
{
Math.add（总）；
System.out.println（+我+个人+总+左0）；
}
}
System.out.println（红包+（math.indexof（Collections.max（数学））+ 1）+个人好运）；
++；
}
这第四个学生的算法看起来很科学。
他认为：
1，每个人都应该能收到红包。
2。每个人收到的红包总数=总数；
3、每人收到一个红包的数额，但也不能太差，否则就不感兴趣了；
4，算法必须简单，否则我很抱歉腾讯的标志；
在形式化编码之前，建立一个渐进模型来分析规则。
总金额10元，随机抽取N人：
n = 1
红包的金额是x元。
n = 2
为了确保第二个红包能够正常发出，第一个红色包的数量从0.01到9.99是一个随机数。
第二红包= 10 -第一红包金额；
n = 3
在1＝0.01和0.98之间的随机数的红色数据包。
一个随机数的红包2 = 0.01（10红包1-0.01）
红色包3 = 10 -红色包1 -红色包2
......
int = 1；
同时（J＜1000）
{
整数= 10；
浮点总数= 100；
浮动货币；
双min＝0.01；
双最大；
int = i 1；
数学=新的列表（列表）；
同时（i <数字）
{
max =总的最小*（数字i）；
int k =（int）（（number-i） / 2）；
如果（数字I 2）
{数字= i；}
马克斯=最大/ K；
钱=（int）（民* 100 + Math.random（）*（最大值×100分钟×100 + 1））；
货币=（浮动）货币 100；
总金额=总金额；
math.add（钱）；
System.out.println（+我+个人+金钱+左+总）；
++；
如果（i =数字）
{
Math.add（总）；
System.out.println（+我+个人+总+左0）；
}
}
System.out.println（红包+（math.indexof（Collections.max（数学））+ 1）+个人好运）；
++；
}
进去看看，波动太大了，这个数据太无聊了！
第一个红包：7.48元，余额：2.52元。
第二红包：1.9元，余额：0.62元。
第三个红包：0.49元，余额：0.13元。
第四个红包：0.04元，余额：0.09元。
第五个红包：0.03元，余额：0.06元。
第六个红包：0.03元，余额：0.03元。
第七个红包：0.01元，余额：0.02元。
第八个红包：0.02元，余额：0元。
改进，用平均值作为随机安全极限来控制波动
int = 1；
同时（J＜1000）
{
整数= 10；
浮点总数= 100；
浮动货币；
双min＝0.01；
双最大；
int = i 1；
数学=新的列表（列表）；
同时（i <数字）
{
max =总的最小*（数字i）；
int k =（int）（（number-i） / 2）；
如果（我2号）
{数字= i；}
马克斯=最大/ K；
钱=（int）（民* 100 + Math.random（）*（最大值×100分钟×100 + 1））；
货币=（浮动）货币 100；
总金额=总金额；
math.add（钱）；
System.out.println（+我+个人+金钱+左+总）；
++；
如果（i =数字）
{
Math.add（总）；
System.out.println（+我+个人+总+左0）；
}
}
System.out.println（红包+（math.indexof（Collections.max（数学））+ 1）+个人好运）；
++；
}
输出结果如下所示
第一个红包：0.06元，余额：9.94元。
第二红包：1.55元，余额：8.39元。
第三个红包：0.25元，余额：8.14元。
第四个红包：0.98元，余额：7.16元。
第五个红包：1.88元，余额：5.28元。
第六个红包：1.92元，余额：3.36元。
第七个红包：2.98元，余额：0.38元。
第八个红包：0.38元，余额：0元。
总结：
萧边认为它可以理解为一个由小红包引起的谋杀，只列出几个，有些工科学生直接抛出离散函数数学模型，等等，但算法是否简单或复杂，玩得够开心的了。
声明：本文内容用于数码产品信息整理与选购参考，具体价格、库存、售后政策以官方渠道和电商页面实时信息为准。