numpy.random.uniform

函数原型：

numpy.random.uniform(low,high,size)

功能

从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high.

参数介绍:

• low: 采样下界，float类型，默认值为0；
• high: 采样上界，float类型，默认值为1；
• size: 输出样本数目，为int或元组(tuple)类型，例如，size=(m,n,k), 则输出m* n * k个样本，缺省时输出1个值。

返回值

ndarray类型，其形状和参数与size中描述一致。

这里顺便说下ndarray类型，表示一个N维数组对象，其有一个shape（表维度大小）和dtype（说明数组数据类型的对象），使用zeros和ones函数可以创建数据全0或全1的数组，原型：

numpy.ones(shape,dtype=None,order='C')

其中，shape表数组形状（m*n）,dtype表类型,order表是以C还是fortran形式存放数据。

类似uniform,还有以下随机数产生函数：

1. randint: 原型：numpy.random.randint(low, high=None, size=None, dtype=‘l’)，产生随机整数；
2. random_integers: 原型： numpy.random.random_integers(low, high=None, size=None)，在闭区间上产生随机整数；
3. random_sample: 原型： numpy.random.random_sample(size=None)，在[0.0,1.0)上随机采样；
4. random: 原型： numpy.random.random(size=None)，和random_sample一样，是random_sample的别名；
5. rand: 原型： numpy.random.rand(d0, d1, …, dn)，产生d0 - d1 - … - dn形状的在[0,1)上均匀分布的float型数。
6. randn: 原型：numpy.random.randn（d0,d1,…,dn),产生d0 - d1 - … - dn形状的标准正态分布的float型数。

Examples：

例一： “画柱状图”

    # -*- coding: utf-8 -*-
    import matplotlib.pyplot as plt
    import numpy as np
     
    s = np.random.uniform(0,1,1200)      # 产生1200个[0,1)的数
    count, bins, ignored = plt.hist(s, 12, normed=True)
     """
     hist原型：
             matplotlib.pyplot.hist(x, bins=10, range=None, normed=False, weights=None,
             cumulative=False, bottom=None, histtype='bar', align='mid', 
             orientation='vertical',rwidth=None, log=False, color=None, label=None, 
             stacked=False, hold=None,data=None,**kwargs)
     输入参数很多，具体查看matplotlib.org,本例中用到3个参数，分别表示：s数据源，bins=12表示bin 
     的个数，即画多少条条状图，normed表示是否归一化，每条条状图y坐标为n/(len(x)`dbin),整个条状图积分值为1
     输出：count表示数组，长度为bins，里面保存的是每个条状图的纵坐标值
          bins:数组，长度为bins+1,里面保存的是所有条状图的横坐标，即边缘位置
          ignored: patches，即附加参数，列表或列表的列表，本例中没有用到。
    """
    plt.plot(bins, np.ones_like(bins), linewidth=2, color='r')
    plt.show()

绘制结果如下图：

例二： “画正态分布柱状图”

    # -*- coding: utf-8 -*-
    import matplotlib.pyplot as plt
    import numpy as np
    import matplotlib.mlab as MLA
     
    mu, sigma = 10, 10
    x = mu + sigma*np.random.randn(5000)
     
    # the histogram of the data
    n, bins, patches = plt.hist(x, 20, normed=1, facecolor='blue', alpha=0.8)
     
    # add a 'best fit' line
    y = MLA.normpdf( bins, mu, sigma)
    """
    normpdf函数原型：
            matplotlib.mlab.normpdf(x, *args)
    功能：Return the normal pdf evaluated at x; args provides mu, sigma
    """
    l = plt.plot(bins, y, 'g--', linewidth=3)
     
    plt.xlabel('samples')
    plt.ylabel('p')
    plt.title(r'$Normal\ pdf\ m=10,\ \sigma=10$')
    plt.axis([-30, 50, 0, 0.042])
    plt.grid(True)
    plt.show(）

结果如下图：

numpy.random.RandomState介绍：

英文简介：“Container for the Mersenne Twister pseudo-random number generator.”
翻译过来为：它是一个容器，用来存储采用梅森旋转产生伪随机数的算法。

输入参数：seed，可选项{None, int, array_like}，没有给定的话，函数随机选一个起始点，这样深度学习的结果可能接近，但不完全相同，如果给定一个seed，则结果是deterministic，是确定的，但给定不给定seed对输出随机数并没有影响，只是相当于给定了一个初始点，后面的数也是基于这个seed而产生。

————————————————
原文链接：https://blog.csdn.net/u013920434/article/details/52507173