Numpy常见方法（8）-伪随机数的生成

说明：本blog基于python3版本, numpy 1.22.0

---

前言

numpy.random 模块弥补了python内置random模块的不足；从经验上讲，在生成大量随机数时，numpy.random的速度比python内置的random模块快一个数量级。

一、伪随机数及常用统计分布

伪随机数就是通过计算机模拟（stimulate）某种统计学分布而形成的样本值。

主要的numpy.random 方法有 ：

1. 设置全局随机种子（常见于神经网络的算法领域）：numpy.random.seed(数值)

2. 随机排列一个序列：numpy.random.shuffle()

3. 模拟[0,1]的均匀分布，取连续样本： numpy.random.rand(size =int/tuple)

4. 模拟均匀分布，取整数样本： numpy.random.randint(low= (the lowest value of boundary), high= ( the highest value of boundary,optional),size = int/tuple)

5. 模拟二项分布，取样本： numpy.random.binomial(n = (n times trials),p= (the successful probability of each trials), size = int/tuple)

6. 模拟均值为0，方差为1高斯分布， 取样本： numpy.random.randn(size =int/tuple)

7. 模拟高斯分布，取样本： numpy.random.normal(loc = (mean value), scale = (standard variance), size =int/tuple)

8. 模拟beta分布，取样本： numpy.random.beta(α=, β=, size=int/tuple)

   Beta分布是参数分布的一种，取值范围为[0,1]，常用来估计概率的分布;常见性质：mean = α/(α+β), variance = αβ/((α+β)^2 *(α+β+1));另外，beta分布是共轭先验的，也就是可以根据新的情况对原beta分布进行参数调整;
   ref: beta性质

9. 模拟卡方分布，取样本： numpy.random.chisquare(df = (自由度), size = int/tuple)
   卡方分布是n个相互独立的，服从正态分布随机变量的平方和构成的新的变量；自由度就是真正独立变量的个数，自由度越大，图像越近似正态分布；
   ref: 卡方分布

10. 模拟gamma分布，取样本： numpy.random.gamma(shape =(形状参数), scale =, size=int/tuple)
    ref:Gamma分布

11. 模拟[0,1)均匀分布， 取样本： numpy.random.uniform(size=int/tuple)

    方法3-11的返回值为size大小的矩阵，ndarray类型。

二、应用实例

假设我们想生成一个均值为10，标准差为2的高斯分布样本，样本大小为4*5的二维数组，我们可以执行如下代码

import numpy as np
a = np.random.normal(10, 2, size= (4,5))
print(a)

结果如下，

[[ 7.0354543   8.45378602  8.94383969  9.2592351   8.3168083 ]
 [10.94871767 12.29315645  8.18438652 10.21589816  6.42074041]
 [13.31545203  7.78263916 13.45948871 12.76962707  7.20060776]
 [13.65439416 10.7152851  11.83459031 10.93631277  5.85551996]]

如果，我想每次都得到一样的伪随机数，我可以设置随机种子

import numpy as np
np.random.seed(1)
a = np.random.normal(10, 2, size= (4,5))
print(a)

结果如下，

[[13.24869073  8.77648717  8.9436565   7.85406276 11.73081526]
 [ 5.39692261 13.48962353  8.4775862  10.63807819  9.50125925]
 [12.92421587  5.87971858  9.35516559  9.23189129 12.26753888]
 [ 7.80021747  9.65514358  8.24428316 10.08442749 11.16563043]]

OK，以上就是伪随机数的生成过程，如果对你的学习有帮助，欢迎点赞收藏