数据分析常用库之【numpy】random函数

1、numpy.random.rand()

'''
numpy.random.rand(d0,d1,…,dn)
rand函数根据给定维度生成[0,1]之间的数据，包含0，不包含1
dn表示不同维度
返回值为指定维度的array
'''
import numpy as np
res=np.random.rand(4,2)
print(res)
'''
[[0.41070435 0.57006136]
 [0.81573209 0.40031713]
 [0.61543221 0.51572196]
 [0.19610593 0.48084667]]
'''

2、numpy.random.randn()

'''
标准正态分布介绍
标准正态分布—-standard normal distribution
标准正态分布又称为u分布，是以0为均值、以1为标准差的正态分布，记为N（0，1）。
'''
res1=np.random.randn() # 当没有参数时，返回单个数据
print(res1)
res2=np.random.randn(4,2)#
print(res2)
res3=np.random.randn(4,3,2)
print(res3)

3、numpy.random.randint()

#numpy.random.randint(low, high=None, size=None, dtype=’l’)
'''
返回随机整数，范围区间为[low,high），包含low，不包含high
参数：low为最小值，high为最大值，size为数组维度大小，dtype为数据类型，默认的数据类型是np.int
high没有填写时，默认生成随机数的范围是[0，low)
'''
np.random.randint(1,size=5) # 返回[0,1)之间的整数，所以只有0
np.random.randint(1,5) # 返回1个[1,5)时间的随机整数
np.random.randint(-5,5,size=(2,2))

#4、numpy.random.random_integers()

5、生成[0,1)之间的浮点数

numpy.random.random_sample(size=None)
numpy.random.random(size=None)
numpy.random.ranf(size=None)
numpy.random.sample(size=None)

6、numpy.random.choice()

'''
numpy.random.choice(a, size=None, replace=True, p=None)
从给定的一维数组中生成随机数
参数： a为一维数组类似数据或整数；size为数组维度；p为数组中的数据出现的概率
a为整数时，对应的一维数组为np.arange(a)
'''
np.random.choice(5,3)
'''[4, 1, 4]'''
np.random.choice(5, 3, replace=False)
# 当replace为False时，生成的随机数不能有重复的数值
#[0, 3, 1]
np.random.choice(5,size=(3,2))
'''
array([[1, 0],
       [4, 2],
       [3, 3]])
'''
demo_list = ['lenovo', 'sansumg','moto','xiaomi', 'iphone']
np.random.choice(demo_list,size=(3,3))
'''
array([['moto', 'iphone', 'xiaomi'],
       ['lenovo', 'xiaomi', 'xiaomi'],
       ['xiaomi', 'lenovo', 'iphone']],
      dtype='<U7')
'''
demo_list = ['lenovo', 'sansumg','moto','xiaomi', 'iphone']
np.random.choice(demo_list,size=(3,3), p=[0.1,0.6,0.1,0.1,0.1])
'''
array([['sansumg', 'sansumg', 'sansumg'],
       ['sansumg', 'sansumg', 'sansumg'],
       ['sansumg', 'xiaomi', 'iphone']],
      dtype='<U7')
'''

7、numpy.random.seed()

 

• np.random.seed()的作用：使得随机数据可预测。
• 当我们设置相同的seed，每次生成的随机数相同。如果不设置seed，则每次会生成不同的随机数