初识数据分析之NumPy 笔记六伪随机数生成_rng= np.random.randomstate(1234)-CSDN博客

来源：《利用Python进行数据分析·第2版》

numpy.random模块对Python内置的random进行了补充，增加了一些用于高效生成多种概率分布的样本值的函数。例如，你可以用normal来得到一个标准正态分布的4×4样本数组：

In [113]: samples = np.random.normal(size=(4, 4))

In [114]: samples
Out[114]:
array([[-2.1783374 , -0.25068387,  0.64221801, -0.42189102],
       [-0.37175277,  0.84983001, -1.09479407, -1.06150801],
       [-0.31266803,  1.14889556,  0.99425273,  0.08238123],
       [-1.06663767,  0.36566354,  0.40288741,  0.61564654]])

而Python内置的random模块则只能一次生成一个样本值。从下面的测试结果中可以看出，如果需要产生大量样本值，numpy.random快了不止一个数量级：

In [116]: from random import normalvariate

In [117]: N = 1000000

In [118]: %timeit samples = [normalvariate(0, 1) for _ in range(N)]
652 ms ± 2.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [119]: %timeit samples = np.random.normal(size=N)
24.7 ms ± 885 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

我们说这些都是伪随机数，是因为它们都是通过算法基于随机数生成器种子，在确定性的条件下生成的。你可以用NumPy的np.random.seed更改随机数生成种子：

In [122]: np.random.seed(1234)

numpy.random的数据生成函数使用了全局的随机种子。要避免全局状态，你可以使用numpy.random.RandomState，创建一个与其它隔离的随机数生成器：

In [124]: rng = np.random.RandomState(1234)

In [125]: rng.randn(10)
Out[125]:
array([ 0.47143516, -1.19097569,  1.43270697, -0.3126519 , -0.72058873,
        0.88716294,  0.85958841, -0.6365235 ,  0.01569637, -2.24268495])