NumPy——数组函数与方法_伪随机数的生成

NumPy的random子模块提供了一系列高效生成多种概率分布函数。比如randn()函数创建随机数据。

使用normal()函数可以创建标准正态分布抽样数据。

import numpy as np
print(np.random.normal(size=(5,5)))

[[ 0.79992821 -1.78133841  0.06778658  0.03911525  0.13360691]
 [ 1.31529311 -0.48196512 -1.03440143  2.38338257  0.67075033]
 [ 0.86141708 -0.75461547  0.12603508  0.50489751  0.47725957]
 [ 0.4059022  -0.36013658 -1.54878453  1.23895367  0.68407693]
 [ 0.46069959 -1.00806508 -1.14002345 -1.54640859  1.87470935]]

Process finished with exit code 0

randn()函数可以产生平均值为0、标准差为1的正态分布样本。

print(np.random.randn(10))
print(np.random.randn(5,5))

[-0.50907001 -2.34570972  0.66624459  0.65417108  0.20178166 -0.9423711
  0.54351023 -1.21474636 -1.19745508 -2.70718711]
[[ 0.67802178  0.18717767 -0.17717098 -0.47538178  0.85340688]
 [-0.09816416 -0.02900613  1.81776458 -0.03567663  0.95866703]
 [-0.45256947  0.22449019  0.59653949 -0.86867511 -1.397951  ]
 [-0.73883491  0.48736556  0.42286869  0.92605993  0.46450267]
 [-0.25197557 -2.93124781  1.82696798  0.05129566  0.5924522 ]]

Process finished with exit code 0

normal()函数与randn()函数在产生5×5数组上的不同之处：

• normal()需要传入一个元组
• randn()只需要传入一系列维度值

除了生成随机的数据外，最常用的操作还有设置随机种子。上述的随机数实际上是计算机依据随机数生成器在确定性条件下生成的数据，我们一般称之为伪随机数。通过设置随机种子，我们可以重复之前生成的随机数据，这为重复同样的分析结果（该分析使用到了随机数据）提供了帮助。

print(np.random.seed(1234))
#这里的1234可以理解为一种标记，只要设置成一样就可实现复现

此处使用 random 子模块的 seed()函数设定一个全局的随机种子。如果要避免全局状态，可以使用 RandomState (）函数创建一个隔离的随机数生成器。

r = np.random.RandomState(123456)
print(r.randn(10))

[ 0.4691123  -0.28286334 -1.5090585  -1.13563237  1.21211203 -0.17321465
  0.11920871 -1.04423597 -0.86184896 -2.10456922]

Process finished with exit code 0

random子模块中常用的随机函数：

函数	说明
seed	设定全局随机数生成器种子
RandomState	设定局部随机数生成器种子
permuation	随机排列输入序列
shuffle	将输入序列就地随机排列（洗牌）
rand	生成随机值
randint	根据指定范围随机选取整数
randn	从标准正态分布中随机抽样
binomial	二项分布取样
normal	正态分布取样
beta	贝塔分布取样
chisquare	卡方分布取样
gamma	伽马分布取样
uniform	均匀分布取样