numpy入门2：随机抽样

numpy.seed()

numpy.random.seed(seed=None) 

用于指定随机数生成时所用算法开始的整数值，如果使用相同的seed()值，则每次生成的随机数都相同。

如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。

在对数据进行预处理时，经常加入新的操作或改变处理策略，此时如果伴随着随机操作，最好还是指定唯一的随机种子.

避免由于随机的差异对结果产生影响。

影响范围

随机数种子对后面的结果一直有影响。

后面是指在同一个cell里面。如果不在同一个cell里面，np.random.seed()对其他随机函数没有束缚力。

【例如】

• 每一次的执行结果一样（在同一个cell内）

import numpy as np
np.random.seed(0)
np.random.randint(4)

• 每一次的执行结果不一样（分开两个cell）

import numpy as np
np.random.seed(0)

np.random.randint(4)

离散型随机变量

二项分布

1. 定义：二项分布可以用于只有一次实验只有两种结果，各结果对应的概率相等的多次实验的概率问题。
2. 二项分布概率函数的数学表示
   
3. 代码

numpy.random.binomial(n, p, size=None)

• size:采样次数（做实验的次数）
• n：做了n重伯努利试验（有多少个个体来做实验）
• p:成功的概率

【例如】
野外正在进行9（n=9）口石油勘探井的发掘工作，每一口井能够开发出油的概率是0.1（p=0.1）。请问，最终所有的勘探井都勘探失败的概率？

numpy.random.binomial(n, p, size=None)

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats
np.random.seed(20200605)
n = 9
p = 0.1
size = 50000
#x是实验5000次结果的一个元组
x = np.random.binomial(n, p, size)
print(np.sum(x == 0)/size)
print(np.sum(x == 1)/size)
print(np.sum(x == 2)/size)
print(np.sum(x == 3)/size)
print(np.sum(x == 4)/size)
print(np.sum(x == 5)/size)
print(np.sum(x == 6)/size)
print(np.sum(x == 7)/size)
print(np.sum(x == 8)/size)
print(np.sum(x == 9)/size)
#0.3897
#0.38502
#0.17206
#0.04484
#0.00744