Numpy随机数生成

numpy.random比Python的random（只能一次生成一个样本值）性能好很多，更便捷，使用如下：

import numpy as np

np.random.normal(size=(4, 4)) # 生成标准正态分布的随机样本shape为4*4数组
np.random.randint(0, 1) # 从给定的上下限选择整数，这里0到1两个中选
(np.abs([2, -1, 3]) > 0).argmax() # 返回第一个最大值的索引，argmax(1)指定轴1返回数组
# 随机数生成
a = 1; b = 2; n = 3; p = .5; mu = 1; sigma = 0.8
np.random.uniform(a, b, size=n)  # 产生[a, b)之间的均匀分布的n个样本值，默认为uniform(0, 1, size=1)
np.random.rand(3, 4)  # 生成3行4列[0, 1)的均匀分布样本值数组，可以更多维度
np.random.random(5)  # 等效于uniform(0, 1, size=5)
np.seed(n)  # 设置随机数种子，不设置或者seed()都是值默认（按照时间变动），设置具体值后再次运行同段代码结果一样。
# 如果`x`是一个整数，随机排列np.arange(x)
# 如果`x`是一维数组，则复制并随机排列这些元素
# 如果`x`是多维数据，它只是沿着它的第一维度索引随机排列
np.random.permutation(9)  # 返回新的随机序列，不修改原序列

ran = np.arange(1, 10, step=2)  # 一个数组
np.random.shuffle(ran)  # 将序列随机排列，修改原序列，参数可以为任何序列
np.random.randint(1, 20, size=(3, 2))  # 从[1, 20)之间随机选取3*2个整数，然后组成2维数组
np.random.randn(3, 4)  # 生成3行4列标准正态分布样本值数组，可以更多维度
np.binomial(n, p)  # 二项分布，每次成功概率为p，n次试验的成功次数
np.random.normal(mu, sigma, (100, 2))  # 对应均值和方差的正态分布（高斯分布）的随机值，生成100*2（2维数组）个