python和Numpy的random函数以及seed的作用

参考：

https://blog.csdn.net/yexudengzhidao/article/details/81051542

 

在做机器学习算法实验的时候，可能会使用一些按照一定的分布随机生成的数值来作为training样本。

这时候我们总是会用到一些python自带的random库中的一些函数， 或者是numpy 中的一些函数。

下面我们来看一下他们的具体用法。

（注意：random()是不能直接访问的，需要导入 random 模块，然后通过 random 静态对象调用该方法）

 

01 python 内置的 random 库

其主要的函数如下

print( random.randint(1,10) )        # 产生 1 到 10 的一个整数型随机数  
print( random.random() )             # 产生 0 到 1 之间的随机浮点数
print( random.uniform(1.1,5.4) )     # 产生  1.1 到 5.4 之间的随机浮点数，区间可以不是整数
print( random.choice('tomorrow') )   # 从序列中随机选取一个元素
print( random.randrange(1,100,2) )   # 生成从1到100的间隔为2的随机整数

另外， 还有一个 shuffle 函数，顾名思义，是一个打乱顺序的操作。
a=[1,3,5,6,7]                # 将序列a中的元素顺序打乱
random.shuffle(a)
print(a)

总结， python 自带的 random库只能生成一些特定类型的随机数， 不能定义这些数据的分布情况。

如果你想要定义一组大体上服从高斯分布的随机数， 那么下面的numpy 库将会帮到你。

 

02 numpy 的 random 库

一些常用的如下：

 

random.rand（）

numpy.random.rand(d0,d1,…,dn)

rand函数根据给定维度生成[0,1)之间的数据，包含0，不包含1
dn表格每个维度
返回值为指定维度的array

返回[0,1)之间的数，rand()返回一个数字，rand(1)返回一个一维的一个数字数组，rand(2)返回一个一维的2个数字数组，

以此类推。rand(3,4)返回3行4列的二维数组。

 

random.randn()

 

randn函数返回一个或一组样本，具有标准正态分布。
dn表格每个维度
返回值为指定维度的array

用法同np.random.rand()一样，只 不过是这些 0-1 的数据 服从标准的正态分布。
 

 

random.normal()

也是生成正态分布的数据，只不过这个函数可以定义正太分布的参数， μ 和 x（不会打） ，

 

这个函数一共有三个参数，分别是（loc, scale, size），分别代表生成的高斯分布的随机数的均值、方差以及输出的size(想要输出多少个这个的值)

random.random

 

和 python 自带的 random库中的用法相同，不再做过多的介绍。。。

 

random.seed()

其实seed本身并不难理解， 就是一种生成相同随机数的方法，

比如你定义了 seed(5) ， 然后生成了一组符合高斯分布的随机数。

       如果在下面的程序当中， 你还想使用这组数据，一模一样的数据， 你也可以先声明 seed = 5

然后在生成数据， 这样你得到的就是和第一次一模一样的数据。

 

然而使人困惑的是 seed当中的参数， 你可能经常会见到类似于 seed(45), seed(20) 等这类的东西，

这和seed(0), seed(1) 有什么区别呢？

其实。。。他们之间没什么区别，只不过是名字不同罢了。

。。。

。。

。