NumPy教程-numpy.random()在Python中的使用

random 是 NumPy 库中的一个模块。这个模块包含用于生成随机数的函数。这个模块包含一些简单的随机数据生成方法，一些排列和分布函数，以及随机生成器函数。

在 random 模块中的所有函数如下：

简单随机数据

以下是一些简单随机数据的函数：

1) p.random.rand(d0, d1, …, dn)

这个 random 模块的函数用于在给定的形状中生成随机数或值。

示例:

import numpy as np` `a = np.random.rand(5, 2)` `a

``

输出:

array([[0.74710182, 0.13306399],`       `[0.01463718, 0.47618842],`       `[0.98980426, 0.48390004],`       `[0.58661785, 0.62895758],`       `[0.38432729, 0.90384119]])
`

2) np.random.randn(d0, d1, …, dn)

这个 random 模块的函数从“标准正态”分布中返回一个样本。

示例:

import numpy as np a = np.random.randn(2, 2) a b = np.random.randn()``b

输出:

array([[ 1.43327469, -0.02019121],`       `[ 1.54626422,  1.05831067]])``-0.3080190768904835``3) np.random.randint(low[, high, size, dtype])

这个 random 模块的函数用于生成从包括 (low) 到不包括 (high) 的随机整数。

示例:

import numpy as np a = np.random.randint(3, size=10) a

输出:

array([1, 1, 1, 2, 0, 0, 0, 0, 0, 0])

4) np.random.random_integers(low[, high, size])

这个 random 模块的函数用于在 low 和 high 之间生成 np.int 类型的随机整数。

示例:

import numpy as np a = np.random.random_integers(3) a b = type(np.random.random_integers(3)) b c = np.random.random_integers(5, size=(3, 2)) c

输出:

2<class 'numpy.int32'>array([[1, 1], [2, 5], [1, 3]])

5) np.random.random_sample([size])

这个 random 模块的函数用于在半开区间 [0.0, 1.0) 中生成随机浮点数。

示例:

import numpy as np a = np.random.random_sample() a b = type(np.random.random_sample()) b c = np.random.random_sample((5,)) c

输出:

0.09250360565571492<class 'float'>array([0.34665418, 0.47027209, 0.75944969, 0.37991244, 0.14159746])

6) np.random.random([size])

这个 random 模块的函数用于在半开区间 [0.0, 1.0) 中生成随机浮点数。

示例:

import numpy as np a = np.random.random() a b = type(np.random.random()) b c = np.random.random((5,)) c

输出:

0.008786953974334155<class 'float'>array([0.05530122, 0.59133394, 0.17258794, 0.6912388 , 0.33412534])

7) np.random.ranf([size])

这个随机模块的函数用于生成半开区间 [0.0, 1.0) 内的随机浮点数。

示例:

import numpy as np a=np.random.ranf() a b=type(np.random.ranf()) b c=np.random.ranf((5,)) c

输出:

0.2907792098474542``<type 'float'>``array([0.34084881, 0.07268237, 0.38161256, 0.46494681, 0.88071377])

8) np.random.sample([size])

这个随机模块的函数用于生成半开区间 [0.0, 1.0) 内的随机浮点数。

示例:

import numpy as np a=np.random.sample() a b=type(np.random.sample()) b c=np.random.sample((5,)) c

输出:

0.012298209913766511<type 'float'>array([0.71878544, 0.11486169, 0.38189074, 0.14303308, 0.07217287])

9) np.random.choice(a[, size, replace, p])

这个随机模块的函数用于从给定的一维数组中生成随机样本。

示例:

import numpy as np a=np.random.choice(5,3) a b=np.random.choice(5,3, p=[0.2, 0.1, 0.4, 0.2, 0.1]) b

输出:

array([0, 3, 4])``array([2, 2, 2], dtype=int64)

10) np.random.bytes(length)

这个随机模块的函数用于生成随机字节。

示例:

import numpy as np a=np.random.bytes(7) a

输出:

‘nQ\x08\x83\xf9\xde\x8a’

排列

下面是排列的相关函数：

1) np.random.shuffle()

这个函数用于通过对序列内容进行洗牌来原地修改序列。

示例:

import numpy as np a=np.arange(12) a np.random.shuffle(a) a

输出:

array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])``array([10, 3, 2, 4, 5, 8, 0, 9, 1, 11, 7, 6])

2) np.random.permutation()

这个函数用于随机排列一个序列，或返回一个随机排列的范围。

示例:

import numpy as np a=np.random.permutation(12) a

输出:

array([ 8, 7, 3, 11, 6, 0, 9, 10, 2, 5, 4, 1])

分布

以下是一些排列函数的说明：

1) beta(a, b[, size])

这个函数用于从 Beta 分布中抽取样本。

示例:

def setup(self): self.dist = dist.beta self.cargs = [] self.ckwd = dict(alpha=2, beta=3) self.np_rand_fxn = numpy.random.beta self.np_args = [2, 3] self.np_kwds = dict()

2) binomial(n, p[, size])

这个函数用于从二项分布中抽取样本。

示例:

import numpy as np n, p = 10, .6 s1= np.random.binomial(n, p, 10) s1

输出:

array([6, 7, 7, 9, 3, 7, 8, 6, 6, 4])

3) chisquare(df[, size])

这个函数用于从卡方分布中抽取样本。

示例:

import numpy as np np.random.chisquare(2,4) sum(np.random.binomial(9, 0.1, 20000) == 0)/20000.

输出:

array([6, 7, 7, 9, 3, 7, 8, 6, 6, 4])

4) dirichlet(alpha[, size])

这个函数用于从 Dirichlet 分布中抽取样本。

示例:

Import numpy as np import matplotlib.pyplot as plt s1 = np.random.dirichlet((10, 5, 3), 20).transpose() plt.barh(range(20), s1[0]) plt.barh(range(20), s1[1], left=s1[0], color=‘g’) plt.barh(range(20), s1[2], left=s1[0]+s1[1], color=‘r’) plt.title(“Lengths of Strings”) plt.show()

输出:

5) exponential([scale, size])

这个函数用于从指数分布中抽取样本。

示例:

def init(self, sourceid, targetid): self.__type = 'Transaction' self.id = uuid4() self.source = sourceid self.target = targetid self.date = self._datetime.date(start=2015, end=2019) self.time = self._datetime.time() if random() < 0.05: self.amount = self._numbers.between(100000, 1000000) self.amount = npr.exponential(10) if random() < 0.15: self.currency = self._business.currency_iso_code() else: `` self.currency = None

6) f(dfnum, dfden[, size])

这个函数用于从 F 分布中抽取样本。

示例:

import numpy as np dfno= 1. dfden = 48. s1 = np.random.f(dfno, dfden, 10) np.sort(s1)

输出:

array([0.00264041, 0.04725478, 0.07140803, 0.19526217, 0.23979 , 0.24023478, 0.63141254, 0.95316446, 1.40281789, 1.68327507])

7) gamma(shape[, scale, size])

这个函数用于从 Gamma 分布中抽取样本。

示例:

import numpy as np shape, scale = 2., 2. s1 = np.random.gamma(shape, scale, 1000) import matplotlib.pyplot as plt import scipy.special as spss count, bins, ignored = plt.hist(s1, 50, density=True) a = bins**(shape-1)*(np.exp(-bins/scale) / (spss.gamma(shape)*scale**shape)) plt.plot(bins, a, linewidth=2, color=‘r’) plt.show()

8) geometric(p[, size])

这个函数用于从几何分布中抽取样本。

示例:

import numpy as np a = np.random.geometric(p=0.35, size=10000) (a == 1).sum() / 1000

输出:

9) gumbel([loc, scale, size])

这个函数用于从 Gumbel 分布中抽取样本。

示例:

import numpy as np lov, scale = 0, 0.2 s1 = np.random.gumbel(loc, scale, 1000) import matplotlib.pyplot as plt count, bins, ignored = plt.hist(s1, 30, density=True) plt.plot(bins, (1/beta)np.exp(-(bins - loc)/beta) np.exp( -np.exp( -(bins - loc) /beta) ),linewidth=2, color=‘r’) plt.show()

10) hypergeometric(ngood, nbad, nsample[, size])

这个函数用于从超几何分布中抽取样本。

示例:

import numpy as np good, bad, samp = 100, 2, 10 s1 = np.random.hypergeometric(good, bad, samp, 1000) plt.hist(s1) plt.show()

输出:

(array([ 13., 0., 0., 0., 0., 163., 0., 0., 0., 824.]), array([ 8. , 8.2, 8.4, 8.6, 8.8, 9. , 9.2, 9.4, 9.6, 9.8, 10. ]), <a list of 10 Patch objects>)

11) laplace([loc, scale, size])

这个函数用于从拉普拉斯或双指数分布中抽取样本，具有指定的位置和尺度。

示例:

import numpy as np location, scale = 0., 2. s = np.random.laplace(location, scale, 10) s

输出:

array([-2.77127948, -1.46401453, -0.03723516, -1.61223942, 2.29590691, 1.74297722, 1.49438411, 0.30325513, -0.15948891, -4.99669747])

12) logistic([loc, scale, size])

这个函数用于从逻辑斯蒂分布中抽取样本。

示例:

array([1.000e+00, 1.000e+00, 1.000e+00, 0.000e+00, 1.000e+00, 1.000e+00, 1.000e+00, 5.000e+00, 7.000e+00, 1.100e+01, 1.800e+01, 3.500e+01, 5.300e+01, 6.700e+01, 1.150e+02, 1.780e+02, 2.300e+02, 3.680e+02, 4.910e+02, 6.400e+02, 8.250e+02, 9.100e+02, 9.750e+02, 1.039e+03, 9.280e+02, 8.040e+02, 6.530e+02, 5.240e+02, 3.380e+02, 2.470e+02, 1.650e+02, 1.150e+02, 8.500e+01, 6.400e+01, 3.300e+01, 1.600e+01, 2.400e+01, 1.400e+01, 4.000e+00, 5.000e+00, 2.000e+00, 2.000e+00, 1.000e+00, 1.000e+00, 0.000e+00, 1.000e+00, 0.000e+00, 0.000e+00, 0.000e+00, 1.000e+00])array([ 0.50643911, 0.91891814, 1.33139717, 1.7438762 , 2.15635523,` `2.56883427, 2.9813133 , 3.39379233, 3.80627136, 4.2187504 ,` `4.63122943, 5.04370846, 5.45618749, 5.86866652, 6.28114556,` `6.69362459, 7.10610362, 7.51858265, 7.93106169, 8.34354072,` `8.75601975, 9.16849878, 9.58097781, 9.99345685, 10.40593588,` `10.81841491, 11.23089394, 11.64337298, 12.05585201, 12.46833104,` `12.88081007, 13.2932891 , 13.70576814, 14.11824717, 14.5307262 ,` `14.94320523, 15.35568427, 15.7681633 , 16.18064233, 16.59312136,` `17.00560039, 17.41807943, 17.83055846, 18.24303749, 18.65551652,` `19.06799556, 19.48047459, 19.89295362, 20.30543265, 20.71791168,` `21.13039072])<a list of 50 Patch objects>

13) lognormal([mean, sigma, size])

这个函数用于从对数正态分布中抽取样本。

示例:

import numpy as np`  `mu, sigma = 2., 1.`  `s1 = np.random.lognormal(mu, sigma, 1000)`  `import matplotlib.pyplot as plt`  `count, bins, ignored = plt.hist(s1, 100, density=True, align='mid')`  `a = np.linspace(min(bins), max(bins), 10000)`  `pdf = (np.exp(-(np.log(a) - mu)**2 / (2 * sigma**2))/ (a * sigma * np.sqrt(2 * np.pi)))`  `plt.plot(a, pdf, linewidth=2, color='r')`  `plt.axis('tight')`  `plt.show()

![](https://img-blog.csdnimg.cn/img_convert/4e93eceb966558f958e6ce2285f540a0.png)

14) logseries(p[, size])

这个函数用于从对数分布中抽取样本。

示例:

import numpy as np x = .6 s1 = np.random.logseries(x, 10000) count, bins, ignored = plt.hist(s1) def logseries(k, p): return -p**k/(k*log(1-p)) plt.plot(bins, logseries(bins, x)*count.max()/logseries(bins, a).max(), ‘r’) plt.show()

15) multinomial(n, pvals[, size])

这个函数用于从多项分布中抽取样本。

示例:

import numpy as np np.random.multinomial(20, [1/6.]*6, size=1)

输出:

array([[4, 2, 5, 5, 3, 1]])

16) multivariate_normal(mean, cov[, size, …)

这个函数用于从多元正态分布中抽取样本。

示例:

import numpy as np mean = (1, 2) coveriance = [[1, 0], [0, 100]] import matplotlib.pyplot as plt a, b = np.random.multivariate_normal(mean, coveriance, 5000).T plt.plot(a, b, ‘x’) plt.axis('equal’023 030 ) plt.show()

17) negative_binomial(n, p[, size])

这个函数用于从负二项分布中抽取样本。

示例:

import numpy as np s1 = np.random.negative_binomial(1, 0.1, 100000) for i in range(1, 11): probability = sum(s1<i) / 100000. print i, “wells drilled, probability of one success =”, probability

输出:

1 wells drilled, probability of one success = 02 wells drilled, probability of one success = 03 wells drilled, probability of one success = 04 wells drilled, probability of one success = 05 wells drilled, probability of one success = 06 wells drilled, probability of one success = 07 wells drilled, probability of one success = 08 wells drilled, probability of one success = 09 wells drilled, probability of one success = 0``10 wells drilled, probability of one success = 0

18) noncentral_chisquare(df, nonc[, size])

这个函数用于从非中心卡方分布中抽取样本。

示例:

import numpy as np import matplotlib.pyplot as plt val = plt.hist(np.random.noncentral_chisquare(3, 25, 100000), bins=200, normed=True) plt.show()

19) normal([loc, scale, size])

这个函数用于从正态分布中抽取样本。

示例:

import numpy as np import matplotlib.pyplot as plt mu, sigma = 0, 0.2 # mean and standard deviation s1 = np.random.normal(mu, sigma, 1000) abs(mu - np.mean(s1)) < 0.01 abs(sigma - np.std(s1, ddof=1)) < 0.01 count, bins, ignored = plt.hist(s1, 30, density=True) plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *np.exp( - (bins - mu)2 / (2 * sigma2) ), linewidth=2, color=‘r’) plt.show()

输出:

20) pareto(a[, size])

这个函数用于从洛马克斯或帕累托II分布中抽取样本，具有指定的形状。

示例:

import numpy as np import matplotlib.pyplot as plt b, m1 = 3., 2. # shape and mode s1 = (np.random.pareto(b, 1000) + 1) * m1 count, bins, _ = plt.hist(s1, 100, density=True) fit = b*mb / bins(b+1) plt.plot(bins, max(count)*fit/max(fit), linewidth=2, color=‘r’) plt.show()

输出:

21) power(a[, size])

这个函数用于从指数为正的幂分布中抽取样本，范围在 [0, 1]。

示例：

import numpy as npx = 5. # 形状参数samples = 1000s1 = np.random.power(x, samples)import matplotlib.pyplot as pltcount, bins, ignored = plt.hist(s1, bins=30)a = np.linspace(0, 1, 100)b = x * a**(x - 1.)density_b = samples * np.diff(bins)[0] * bplt.plot(a, density_b)plt.show()

输出：

22) rayleigh([scale, size])

这个函数用于从瑞利分布中抽取样本。

示例：

val = hist(np.random.rayleigh(3, 100000), bins=200, density=True)meanval = 1modeval = np.sqrt(2 / np.pi) * meanvals1 = np.random.rayleigh(modeval, 1000000)100. * sum(s1 > 3) / 1000000.

输出：

0.087300000000000003

23) standard_cauchy([size])

这个函数用于从标准柯西分布（mode=0）中抽取样本。

示例：

import numpy as npimport matplotlib.pyplot as plts1 = np.random.standard_cauchy(1000000)s1 = s1[(s1 > -25) & (s1 < 25)] # 截断分布以便绘图plt.hist(s1, bins=100)``plt.show()

输出：

24) standard_exponential([size])

这个函数用于从标准指数分布中抽取样本。

示例：

import numpy as np``n = np.random.standard_exponential((2, 7000))

输出：

array([[0.53857931, 0.181262 , 0.20478701, …, 3.66232881, 1.83882709, 1.77963295], [0.65163973, 1.40001955, 0.7525986 , …, 0.76516523, 0.8400617 , 0.88551011]])

25) standard_gamma([size])

这个函数用于从标准伽玛分布中抽取样本。

示例：

import numpy as npshape, scale = 2., 1.s1 = np.random.standard_gamma(shape, 1000000)import matplotlib.pyplot as pltimport scipy.special as spscount1, bins1, ignored1 = plt.hist(s, 50, density=True)y = bins1**(shape-1) * ((np.exp(-bins1/scale)) / (sps.gamma(shape) * scale**shape))plt.plot(bins1, y, linewidth=2, color='r')plt.show()

输出：

26) standard_normal([size])

这个函数用于从标准正态分布中抽取样本。

示例：

import numpy as npimport matplotlib.pyplot as plts1 = np.random.standard_normal(8000)s1q = np.random.standard_normal(size=(3, 4, 2))``q

输出：

array([-3.14907597, 0.95366265, -1.20100026, …, 3.47180222, 0.9608679 , 0.0774319 ])array([[[ 1.55635461, -1.29541713],` `[-1.50534663, -0.02829194],` `[ 1.03949348, -0.26128132],` `[ 1.51921798, 0.82136178]], [[-0.4011052 , -0.52458858], [-1.31803814, 0.37415379], [-0.67077365, 0.97447018], [-0.20212115, 0.67840888]],`` [[ 1.86183474, 0.19946562], [-0.07376021, 0.84599701], [-0.84341386, 0.32081667], [-3.32016062, -1.19029818]]])

27) standard_t(df[, size])

这个函数用于从自由度为 df 的标准 t 分布中抽取样本。

示例：

intake = np.array([5260., 5470, 5640, 6180, 6390, 6515, 6805, 7515, 8230, 8770])s1 = np.random.standard_t(10, size=100000)np.mean(intake)intake.std(ddof=1)t = (np.mean(intake) - 7725) / (intake.std(ddof=1) / np.sqrt(len(intake)))h = plt.hist(s1, bins=100, density=True)np.sum(s1 < t) / float(len(s1))``plt.show()

输出：

6677.51174.11018316945980.00864

28) triangular(left, mode, right[, size])

这个函数用于从三角分布中抽取样本，分布区间为 left 到 right。

示例：

import numpy as npimport matplotlib.pyplot as plth = plt.hist(np.random.triangular(-4, 0, 8, 1000000), bins=300, density=True)``plt.show()

输出：

29) uniform([low, high, size])

这个函数用于从均匀分布中抽取样本。

示例：

import numpy as npimport matplotlib.pyplot as plts1 = np.random.uniform(-1, 0, 1000)np.all(s1 >= -1)np.all(s1 < 0)count, bins, ignored = plt.hist(s1, 15, density=True)plt.plot(bins, np.ones_like(bins), linewidth=2, color=‘r’)``plt.show()

输出：

30) vonmises(m1, m2[, size])

这个函数用于从 von Mises 分布中抽取样本。

示例：

import numpy as npimport matplotlib.pyplot as pltm1, m2 = 0.0, 4.0s1 = np.random.vonmises(m1, m2, 1000)from scipy.special import i0plt.hist(s1, 50, density=True)x = np.linspace(-np.pi, np.pi, num=51)y = np.exp(m2 * np.cos(x - m1)) / (2 * np.pi * i0(m2))plt.plot(x, y, linewidth=2, color=‘r’)``plt.show()

输出：

31) wald(mean, scale[, size])

这个函数用于从 Wald（逆高斯）分布中抽取样本。

示例：

import numpy as npimport matplotlib.pyplot as plth = plt.hist(np.random.wald(3, 3, 100000), bins=250, density=True)``plt.show()

输出：

32) weibull(a[, size])

这个函数用于从 Weibull 分布中抽取样本。

示例：

import numpy as npimport matplotlib.pyplot as pltfrom scipy import specialx = 2.0s = np.random.weibull(x, 1000)a = np.arange(1, 100.) / 50.def weib(x, n, a): return (a / n) * (x / n)**np.exp(-(x / n)**a)count, bins, ignored = plt.hist(np.random.weibull(5., 1000))a = np.arange(1, 100.) / 50.scale = count.max() / weib(x, 1., 5.).max()scale = count.max() / weib(a, 1., 5.).max()plt.plot(x, weib(x, 1., 5.) * scale)plt.show()

输出：

33) zipf(a[, size])

这个函数用于从 Zipf 分布中抽取样本。

示例：

import numpy as npimport matplotlib.pyplot as pltfrom scipy import specialx = 2.0s = np.random.zipf(x, 1000)count, bins, ignored = plt.hist(s[s < 50], 50, density=True)a = np.arange(1., 50.)b = a**(-x) / special.zetac(x)plt.plot(a, b / max(b), linewidth=2, color=‘r’)``plt.show()

输出：

  



<center><B>---------------------------END---------------------------



## 题外话



![在这里插入图片描述](https://img-blog.csdnimg.cn/cb9eaa37ce994535bdf60e07ba4cf09e.jpeg#pic_center)

<font face="幼圆" size="4" color="red">感兴趣的小伙伴，赠送全套Python学习资料，包含面试题、简历资料等具体看下方。
</font>

👉<font color = red>CSDN大礼包:gift:：</font>[全网最全《Python学习资料》免费赠送:free:！](https://blog.csdn.net/weixin_68789096/article/details/132275547?spm=1001.2014.3001.5502)<font color=#66cc66>（安全链接，放心点击）</font>



**一、Python所有方向的学习路线**

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

![img](https://img-blog.csdnimg.cn/1d40facda2b84990b8e1743f5487d455.png)
 ![img](https://img-blog.csdnimg.cn/0fc11d4a31bd431dbf124f67f1749046.png)



**二、Python必备开发工具**

工具都帮大家整理好了，安装就可直接上手！![img](https://img-blog.csdnimg.cn/ff266f529c6a46c4bc28e5f895dec647.gif#pic_center)

**三、最新Python学习笔记**

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

 ![img](https://img-blog.csdnimg.cn/6d414e9f494742db8bcc3fa312200539.png)



**四、Python视频合集**

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

![img](https://img-blog.csdnimg.cn/a806d9b941c645858c61d161aec43789.png)

**五、实战案例**

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

![img](https://img-blog.csdnimg.cn/a353983317b14d3c8856824a0d6186c1.png)

 **六、面试宝典**

![在这里插入图片描述](https://img-blog.csdnimg.cn/97c454a3e5b4439b8600b50011cc8fe4.png)

![在这里插入图片描述](https://img-blog.csdnimg.cn/111f5462e7df433b981dc2430bb9ad39.png)

##### **简历模板**![在这里插入图片描述](https://img-blog.csdnimg.cn/646863996ac44da8af500c049bb72fbd.png#pic_center)

👉<font color = red>CSDN大礼包:gift:：</font>[全网最全《Python学习资料》免费赠送:free:！](https://blog.csdn.net/weixin_68789096/article/details/132275547?spm=1001.2014.3001.5502)<font color=#66cc66>（安全链接，放心点击）</font>

若有侵权，请联系删除