python3_numpy_random_产生随机数

数据分析中，数据的获取是第一步，numpy.random 模块提供了非常全的自动产生数据API，是学习数据分析的第一步。 
总体来说，numpy.random模块分为四个部分，对应四种功能： 
1. 简单随机数： 产生简单的随机数据，可以是任何维度 
2. 排列：将所给对象随机排列 
3. 分布：产生指定分布的数据，如高斯分布等 
4. 生成器：种随机数种子，根据同一种子产生的随机数是相同的 
以下是详细内容以及代码实例：（以下代码默认已导入numpy：import numpy as np ）

1. 生成器

电脑产生随机数需要明白以下几点： 
    （1）随机数是由随机种子根据一定的计算方法计算出来的数值。所以，只要计算方法一定，随机种子一定，那么产生的随机数就不会变。 
    （2）只要用户不设置随机种子，那么在默认情况下随机种子来自系统时钟（即定时/计数器的值） 
    （3）随机数产生的算法与系统有关，Windows和Linux是不同的，也就是说，即便是随机种子一样，不同系统产生的随机数也不一样。 
numpy.random 设置种子的方法有：

函数名称	函数功能	参数说明
RandomState	定义种子类	RandomState是一个种子类，提供了各种种子方法，最常用seed
seed([seed])	定义全局种子	参数为整数或者矩阵

代码示例：

 # =============================seed() 方法改变随机数生成器的种子，可以在调用其他随机模块函数之前调用此函数
np.random.seed()
print("默认种子生成随机数：", np.random.random())
np.random.seed(10)
print("整数种子生成随机数：", np.random.random())
np.random.seed(np.array("hello"))
print("字符串种子生成随机数：", np.random.random())

2. 简单随机数

函数名称	函数功能	参数说明
rand(d0, d1, …, dn)	产生均匀分布的随机数	dn为第n维数据的维度
randn(d0, d1, …, dn)	产生标准正态分布随机数	dn为第n维数据的维度
randint(low[, high, size, dtype])	产生随机整数	low：最小值；high：最大值；size：数据个数
random_sample([size])	在[0,1）内产生随机数	size：随机数的shape，可以为元祖或者列表，[2,3]表示2维随机数，维度为（2,3）
random([size])	同random_sample([size])	同random_sample([size])
ranf([size])	同random_sample([size])	同random_sample([size])
sample([size]))	同random_sample([size])	同random_sample([size])
choice(a[, size, replace, p])	从a中随机选择指定数据	a：1维数组 size：返回数据形状
bytes(length)	返回随机位	length：位的长度

代码示例

(1) np.random.rand(2,3) #产生2行三列均匀分布随机数组
Out[7]:
array([[ 0.35369993, 0.0086019 , 0.52609906],
[ 0.31978928, 0.27069309, 0.21930115]])

(2)In [8]: np.random.randn(3,3) #三行三列正态分布随机数据
Out[8]:
array([[ 2.29864491, 0.52591291, -0.80812825],
[ 0.37035029, -0.07191693, -0.76625886],
[-1.264493 , 1.12006474, -0.45698648]])

（3）In [9]: np.random.randint(1,100,[5,5]) #(1,100）以内的5行5列随机整数
Out[9]:
array([[87, 69, 3, 86, 85],
[13, 49, 59, 7, 31],
[19, 96, 70, 10, 71],
[91, 10, 52, 38, 49],
[ 8, 21, 55, 96, 34]])

（4）In [10]: np.random.random(10) #(0,1）以内10个随机浮点数
Out[10]:
array([ 0.33846136, 0.06517708, 0.41138166, 0.34638839, 0.41977818,
0.37188863, 0.2508949 , 0.89923638, 0.51341298, 0.71233872])

（5）In [11]: np.random.choice(10) #[0,10)内随机选择一个数
Out[11]: 7

3. 分布

numpy.random模块提供了产生各种分布随机数的API：

函数名称	函数功能	参数说明
beta(a, b[, size])	贝塔分布样本，在 [0, 1]内。
binomial(n, p[, size])	二项分布的样本。
chisquare(df[, size])	卡方分布样本。
dirichlet(alpha[, size])	狄利克雷分布样本。
exponential([scale, size])	指数分布
f(dfnum, dfden[, size])	F分布样本。
gamma(shape[, scale, size])	伽马分布
geometric(p[, size])	几何分布
gumbel([loc, scale, size])	耿贝尔分布。
hypergeometric(ngood, nbad, nsample[, size])	超几何分布样本。
laplace([loc, scale, size])	拉普拉斯或双指数分布样本
logistic([loc, scale, size])	Logistic分布样本
lognormal([mean, sigma, size])	对数正态分布
logseries(p[, size])	对数级数分布。
multinomial(n, pvals[, size])	多项分布
multivariate_normal(mean, cov[, size])	多元正态分布。
negative_binomial(n, p[, size])	负二项分布
noncentral_chisquare(df, nonc[, size])	非中心卡方分布
noncentral_f(dfnum, dfden, nonc[, size])	非中心F分布
normal([loc, scale, size])	正态(高斯)分布
pareto(a[, size])	帕累托（Lomax）分布
poisson([lam, size])	泊松分布
power(a[, size])	Draws samples in [0, 1] from a power distribution with positive exponent a - 1.
rayleigh([scale, size])	Rayleigh 分布
standard_cauchy([size])	标准柯西分布
standard_exponential([size])	标准的指数分布
standard_gamma(shape[, size])	标准伽马分布
standard_normal([size])	标准正态分布 (mean=0, stdev=1).
standard_t(df[, size])	Standard Student’s t distribution with df degrees of freedom.
triangular(left, mode, right[, size])	三角形分布
uniform([low, high, size])	均匀分布
vonmises(mu, kappa[, size])	von Mises分布
wald(mean, scale[, size])	瓦尔德（逆高斯）分布
weibull(a[, size])	Weibull 分布
zipf(a[, size])	齐普夫分布

代码示例

# ===================================binomial产生二项分布随机数
# n为实验次数 ； p为概率 ; size为产生随机数的个数
bino = np.random.binomial(n=10, p=0.3, size=2)
print(bino)

# ====================================normal()正太分布随机数
# loc:样本均值 ； scale:样本标准差 ； size:产生随机数的个数
nor = np.random.normal(loc=0.5, scale=0.8, size=4)
print(nor)

# =====================================beta()beta分布随机数
# a:Alpha ; b:beta ; size:产生随机数的个数
bet = np.random.beta(a=1, b=1, size=5)
print(bet)
# #
# ======================================chisquare()卡方分布随机数
# df:自由度
chis = np.random.chisquare(df=0.5, size=4)
print(chis)

# =======================================gamma()伽马分布随机数
# shape:gamma分布形状，应大于0 ； scale：gamma分布的规模，应大于0，默认为1
gamm = np.random.gamma(shape=1, scale=1, size=3)
print(gamm)

# ========================================uniform()产生（0,1]之间的均匀分布
unf = np.random.uniform(low=1, high=5, size=4)
print(unf)

4. 排列

函数名称	函数功能	参数说明
shuffle(x)	打乱对象x（多维矩阵按照第一维打乱）	矩阵或者列表
permutation(x)	打乱并返回该对象（多维矩阵按照第一维打乱）	整数或者矩阵

代码示例

# ================================permutation 返回序列的随机排列 或 随机排列的范围
range_per = np.random.permutation([1, 2, 3, 4, 5, 6])
print(range_per)

# =================================shuffle对一个序列进行随机排序（仅列表支持）
shuf = [1, 2, 3]
# shuf = (1, 2, 3)  # error
# shuf = {"a": 1, "b":2}  # error
# shuf = set(shuf)  # error
np.random.shuffle(shuf)
print(shuf)