取模运算符用百分号%表示，作用是返回两个数相除后的余数，比如7%3的结果是1，因为7除以3商2余1。这个运算的核心特性是结果永远小于除数，并且会循环出现，这个特性正好可以用来实现轮询分配和简易抽奖概率算法。
取模运算实现轮询分配算法
轮询分配的常见场景是把请求、任务按顺序分配给多个处理节点，比如有3个服务器，第1个请求给服务器1，第2个给服务器2，第3个给服务器3，第4个又回到服务器1，形成循环。用取模运算可以非常简单地实现这个逻辑。
假设我们有server_count个服务器，当前是第request_index个请求，那么分配的目标服务器索引就是request_index % server_count，因为取模的结果范围是0到server_count-1，刚好对应服务器的索引。
# 轮询分配示例，假设有3个服务器
server_count = 3
# 模拟10个请求的分配过程
for request_index in range(10):
# 取模得到目标服务器索引
target_server = request_index % server_count
print(f"第{request_index + 1}个请求分配给服务器{target_server}")
运行上面的代码，输出结果会是：
第1个请求分配给服务器0 第2个请求分配给服务器1 第3个请求分配给服务器2 第4个请求分配给服务器0 第5个请求分配给服务器1 第6个请求分配给服务器2 第7个请求分配给服务器0 第8个请求分配给服务器1 第9个请求分配给服务器2 第10个请求分配给服务器0
可以看到请求按照0、1、2的顺序循环分配，完全符合轮询的要求。如果后续要增加服务器数量，只需要修改server_count的值即可，扩展性很好。
取模运算实现简易抽奖概率算法
抽奖概率算法的核心是给每个奖品分配对应的概率区间，然后生成一个随机数，看随机数落在哪个区间就返回对应的奖品。取模运算可以配合随机数来实现这个逻辑，适合权重比例比较简单的场景。
假设我们有三个奖品，权重分别是50、30、20，总权重是100。我们可以生成一个0到99的随机数，然后用随机数对总权重取模，不过更常用的方式是直接判断随机数所在的区间：
- 0-49区间对应奖品A，概率50%
- 50-79区间对应奖品B，概率30%
- 80-99区间对应奖品C，概率20%
如果要用取模运算简化区间判断，可以把总权重作为除数，不过更直观的方式是直接映射区间，这里结合取模实现一个通用的权重抽奖逻辑：
import random
def lottery(prizes):
"""
简易抽奖函数
prizes: 奖品列表，每个元素是(奖品名称, 权重)的元组
"""
# 计算总权重
total_weight = sum(weight for _, weight in prizes)
# 生成0到总权重-1的随机数
rand_num = random.randint(0, total_weight - 1)
# 遍历奖品，判断随机数所在的区间
current_sum = 0
for prize_name, weight in prizes:
current_sum += weight
# 如果随机数小于当前累计权重，说明落在当前奖品的区间
if rand_num < current_sum:
return prize_name
# 兜底返回最后一个奖品
return prizes[-1][0]
# 定义奖品和权重，总权重100
prize_list = [("奖品A", 50), ("奖品B", 30), ("奖品C", 20)]
# 模拟10000次抽奖，统计概率
result_count = {}
for _ in range(10000):
prize = lottery(prize_list)
result_count[prize] = result_count.get(prize, 0) + 1
# 输出统计结果
for prize_name, count in result_count.items():
print(f"{prize_name}中奖次数：{count}，概率：{count / 10000 * 100:.2f}%")
如果需要用取模运算来优化区间判断，也可以把权重都设置为相同的基数，比如上面的权重可以都除以10，变成5、3、2，总权重10，生成0-9的随机数后取模10，再判断区间，逻辑是类似的。
两种算法的注意事项
轮询分配算法中，如果请求索引是从1开始而不是从0开始，需要先把索引减1再取模，否则第一个请求会分配给服务器1而不是服务器0，比如(request_index - 1) % server_count。
抽奖概率算法中，如果权重总和比较大，比如超过10000，生成随机数的时候要注意范围，避免随机数超出总权重-1的范围。另外如果要实现不重复的抽奖，需要额外记录已经抽中的奖品，取模运算本身不处理去重逻辑。
两种算法都只适合简易场景，如果需要更复杂的概率控制、高并发下的公平性，或者大规模的分配需求，还需要结合其他算法和数据结构来优化，但取模运算作为基础实现思路，足够应对大部分小型项目的需求。