numpy产生随机数

本文转自博客：http://blog.csdn.net/jinxiaonian11/article/details/53143141

在数据分析中，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：

np.random.seed(1234) #设置随机种子为1234

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

>>> import numpy as np
>>> print(np.random.rand(2,3))  #产生2行三列均匀分布随机数组
[[ 0.00764233  0.3830022   0.55875737]

 [ 0.33188605  0.63720051  0.69983149]]

>>> print(np.random.randn(3,3))  #三行三列正态分布随机数据
[[-2.25581993  0.28401035 -0.39071727]
 [ 0.3554526  -0.79093564 -0.31146916]

 [ 1.02469652  0.12776135  2.28273697]]

>>> print(np.random.randint(1,100,[5,5]))   #(1,100）以内的5行5列随机整数
[[ 3  8 17 93 18]
 [49 88 24 74 90]
 [31 49 36 20 33]
 [ 6 10 91 82 18]

 [26  8 76 90 55]]

>>> print(np.random.random(10))  #(0,1）以内10个随机浮点数
[ 0.68046894  0.99589507  0.55610842  0.28758456  0.7304742   0.5175079

  0.06014449  0.58060165  0.03519808  0.77347185]

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

>>> import numpy as np
>>> import matplotlib.pyplot as plt
>>> mu=1    #数学期望：1
>>> sigma=3   #标准差：3
>>> num=10000   #个数：10000
>>> rand_data = np.random.normal(mu, sigma, num)
>>> count, bins, ignored = plt.hist(rand_data, 30, normed=True)
>>> plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *np.exp( - (bins - mu)**2 / (2 * sigma**2)), linewidth=2, color='r')
[<matplotlib.lines.Line2D object at 0x7f29dc3d9128>]

>>> plt.show()

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

>>> import numpy as np
>>> rand_data=np.random.randint(1,10,(3,4))
>>> print(rand_data)
[[4 4 6 9]
 [3 4 2 2]
 [3 9 3 3]]
>>> np.random.shuffle(rand_data)
>>> print(rand_data)
[[4 4 6 9]
 [3 9 3 3]
 [3 4 2 2]]