Numpy生成随机数

说明：
numpy包中可以生成随机数，也可以生成随机分布；本文针对随机数的生成讲述，之后会结合matplotlib模块，单独写一下分布函数的使用及绘制

---

• 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

np.random.seed(1676)
np.random.rand(5)

>> array([ 0.39983389,  0.29426895,  0.89541728,  0.71807369,  0.3531823 ])

• numpy.random.rand(d0,d1,…,dn)：根据给定维度生成[0,1)之间的数组，服从均匀分布

（1）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
（2）dn表格每个维度
（3）返回值为指定维度的array

# 4*2的数组，取值在[0,1)之间，服从均匀分布
np.random.rand(4,2)
>> array([[ 0.02173903,  0.44376568],
       [ 0.25309942,  0.85259262],
       [ 0.56465709,  0.95135013],
       [ 0.14145746,  0.55389458]])

# shape: 4*3*2 的三维数组，取值在[0,1)之间，服从均匀分布
np.random.rand(4,3,2) 
>> array([[[ 0.08256277,  0.11408276],
        [ 0.11182496,  0.51452019],
        [ 0.09731856,  0.18279204]],

       [[ 0.74637005,  0.76065562],
        [ 0.32060311,  0.69410458],
        [ 0.28890543,  0.68532579]],

       [[ 0.72110169,  0.52517524],
        [ 0.32876607,  0.66632414],
        [ 0.45762399,  0.49176764]],

       [[ 0.73886671,  0.81877121],
        [ 0.03984658,  0.99454548],
        [ 0.18205926,  0.99637823]]])

• numpy.random.randint(low, high=None, size=None, dtype=’l’)：生成在半开半闭区间[low,high)上离散均匀分布的整数值

（1）若high=None，则取值区间变为[0,low)
（2）size数组维度大小，默认值None，即生成一个随机数
（3）dtype为数据类型，默认的数据类型是np.int

# 返回[0,1)之间的整数，所以只有0
np.random.randint(1,size=5) 
array([0, 0, 0, 0, 0])

# 返回1个[1,5)时间的随机整数
np.random.randint(1,5) 
4

# 返回一个shape:2*2 
np.random.randint(-5,5,size=(2,2))
array([[ 2, -1],
       [ 2,  0]])

• numpy.random.randn(d0,d1,…,dn)：一个或一组样本，具有标准正态分布

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）

# 当没有参数时，返回单个数据
np.random.randn() 
>> -1.1241580894939212

# 2*4的数组，服从标准正太分布
np.random.randn(2,4)

• 以给定形状返回[0,1)之间的随机浮点数

（1）numpy.random.random_sample(size=None)
（2）numpy.random.random(size=None)
（3）numpy.random.ranf(size=None)
（4）numpy.random.sample(size=None)

#  使用随机种子，生成随机数，区间在[0,1)之间
np.random.seed(1)
print(np.random.random_sample(size=(3,2)))
print(np.random.random(size=(3,2)))
print(np.random.ranf(size=(3,2)))
print(np.random.sample(size=(3,2)))

---------------------
# 结果为
[[4.17022005e-01 7.20324493e-01]
 [1.14374817e-04 3.02332573e-01]
 [1.46755891e-01 9.23385948e-02]]
[[0.18626021 0.34556073]
 [0.39676747 0.53881673]
 [0.41919451 0.6852195 ]]
[[0.20445225 0.87811744]
 [0.02738759 0.67046751]
 [0.4173048  0.55868983]]
[[0.14038694 0.19810149]
 [0.80074457 0.96826158]
 [0.31342418 0.69232262]]

• numpy.random.choice(a,size=None,replace=True,p=None) ：

（1）若a为数组，则从a中选取元素；
（2）若a为单个int类型数，则选取range(a)中的数
（3）replace是bool类型，为True，则选取的元素会出现重复；反之不会出现重复
（4）p为数组，里面存放选到每个数的可能性，即概率

# 在range(5)中取3个数，默认replace=True可以重复
np.random.choice(5,3)
array([4, 1, 4])

# 当replace为False时，生成的随机数不能有重复的数值
np.random.choice(5, 3, replace=False)
array([0, 3, 1])

# 在range(5)中取元素，生成3*2的数组，默认replace=True可以重复
np.random.choice(5,size=(3,2))
array([[1, 0],
       [4, 2],
       [3, 3]])

# 从demo_list中选取元素，生成3*3的数组
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')

# 参数p的长度与参数a的长度需要一致；且p里的数据之和应为1
# 即给出的是a中各个元素出现的概率
# 所以结果出现“sansumg”的次数多，因为它的概率大
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')