python随机数生成模块

最新推荐文章于 2024-07-24 11:41:40 发布

weixin_41988404

最新推荐文章于 2024-07-24 11:41:40 发布

阅读量279

点赞数

文章标签： python numpy

原文链接：https://blog.csdn.net/jinxiaonian11/article/details/53143141

版权

本文转载自：https://blog.csdn.net/jinxiaonian11/article/details/53143141

（说明：本人只限于收藏，未作他用。由于原作者声明“本文为博主原创文章，未经博主允许不得转载”，如侵犯版权，请联系删除。）

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：

简单随机数：产生简单的随机数据，可以是任何维度
排列：将所给对象随机排列
分布：产生指定分布的数据，如高斯分布等
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 ）

生成器
电脑产生随机数需要明白以下几点：

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。
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）
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:

(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

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:

(1)正态分布
import numpy as np
import matplotlib.pyplot as plt

mu = 1 #期望为1
sigma = 3 #标准差为3
num = 10000 #个数为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 * sigma2)), linewidth=2, color=‘r’)
plt.show()

得到图像：