numpy生成隨機數

若是你想說，我不想知道里面的邏輯和實現方法，只想要python生成隨機數的代碼，請移步本文末尾，最簡單的demo幫你快速獲取實現方法。

先開始背景故事說明：

在數據分析中，數據的獲取是第一步，numpy.random 模塊提供了很是全的自動產生數據API，是學習數據分析的第一步。 

整體來講，numpy.random模塊分爲四個部分，對應四種功能： 
1. 簡單隨機數： 產生簡單的隨機數據，能夠是任何維度 
2. 排列：將所給對象隨機排列 
3. 分佈：產生指定分佈的數據，如高斯分佈等 
4. 生成器：種隨機數種子，根據同一種子產生的隨機數是相同的 
如下是詳細內容以及代碼實例：（如下代碼默認已導入numpy：import numpy as np ）

1. 生成器

電腦產生隨機數須要明白如下幾點： 
（1）隨機數是由隨機種子根據必定的計算方法計算出來的數值。因此，只要計算方法必定，隨機種子必定，那麼產生的隨機數就不會變。 
（2）只要用戶不設置隨機種子，那麼在默認狀況下隨機種子來自系統時鐘（即定時/計數器的值） 
（3）隨機數產生的算法與系統有關，Windows和Linux是不一樣的，也就是說，即使是隨機種子同樣，不一樣系統產生的隨機數也不同。 
numpy.random 設置種子的方法有：

函數名稱	函數功能	參數說明
RandomState	定義種子類	RandomState是一個種子類，提供了各類種子方法，最經常使用seed
seed([seed])	定義全局種子	參數爲整數或者矩陣

代碼示例：

np.random.seed(1234) #設置隨機種子爲1234

• 1

2. 簡單隨機數

函數名稱	函數功能	參數說明
rand(d0, d1, …, dn)	產生均勻分佈的隨機數	dn爲第n維數據的維度
randn(d0, d1, …, dn)	產生標準正態分佈隨機數	dn爲第n維數據的維度
randint(low[, high, size, dtype])	產生隨機整數	low：最小值；high：最大值；size：數據個數
random_sample([size])	在[0,1）內產生隨機數	size：隨機數的shape，能夠爲元祖或者列表，[2,3]表示2維隨機數，維度爲（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])	從a中隨機選擇指定數據	a：1維數組 size：返回數據形狀
bytes(length)	返回隨機位	length：位的長度

代碼示例

(1) np.random.rand(2,3) #產生2行三列均勻分佈隨機數組 Out[7]: array([[ 0.35369993, 0.0086019 , 0.52609906], [ 0.31978928, 0.27069309, 0.21930115]]) （2）In [8]: np.random.randn(3,3) #三行三列正態分佈隨機數據 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）之內的5行5列隨機整數 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）之內10個隨機浮點數 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)內隨機選擇一個數 Out[11]: 7

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23

3. 分佈

numpy.random模塊提供了產生各類分佈隨機數的API：

函數名稱	函數功能	參數說明
beta(a, b[, size])	貝塔分佈樣本，在 [0, 1]內。
binomial(n, p[, size])	二項分佈的樣本。
chisquare(df[, size])	卡方分佈樣本。
dirichlet(alpha[, size])	狄利克雷分佈樣本。
exponential([scale, size])	指數分佈
f(dfnum, dfden[, size])	F分佈樣本。
gamma(shape[, scale, size])	伽馬分佈
geometric(p[, size])	幾何分佈
gumbel([loc, scale, size])	耿貝爾分佈。
hypergeometric(ngood, nbad, nsample[, size])	超幾何分佈樣本。
laplace([loc, scale, size])	拉普拉斯或雙指數分佈樣本
logistic([loc, scale, size])	Logistic分佈樣本
lognormal([mean, sigma, size])	對數正態分佈
logseries(p[, size])	對數級數分佈。
multinomial(n, pvals[, size])	多項分佈
multivariate_normal(mean, cov[, size])	多元正態分佈。
negative_binomial(n, p[, size])	負二項分佈
noncentral_chisquare(df, nonc[, size])	非中心卡方分佈
noncentral_f(dfnum, dfden, nonc[, size])	非中心F分佈
normal([loc, scale, size])	正態(高斯)分佈
pareto(a[, size])	帕累託（Lomax）分佈
poisson([lam, size])	泊松分佈
power(a[, size])	Draws samples in [0, 1] from a power distribution with positive exponent a - 1.
rayleigh([scale, size])	Rayleigh 分佈
standard_cauchy([size])	標準柯西分佈
standard_exponential([size])	標準的指數分佈
standard_gamma(shape[, size])	標準伽馬分佈
standard_normal([size])	標準正態分佈 (mean=0, stdev=1).
standard_t(df[, size])	Standard Student’s t distribution with df degrees of freedom.
triangular(left, mode, right[, size])	三角形分佈
uniform([low, high, size])	均勻分佈
vonmises(mu, kappa[, size])	von Mises分佈
wald(mean, scale[, size])	瓦爾德（逆高斯）分佈
weibull(a[, size])	Weibull 分佈
zipf(a[, size])	齊普夫分佈

代碼示例

(1)正態分佈 import numpy as np import matplotlib.pyplot as plt mu = 1 #指望爲1 sigma = 3 #標準差爲3 num = 10000 #個數爲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 * sigma**2)), linewidth=2, color='r') plt.show()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

獲得圖像： 

4. 排列

函數名稱	函數功能	參數說明
shuffle(x)	打亂對象x（多維矩陣按照第一維打亂）	矩陣或者列表
permutation(x)	打亂並返回該對象（多維矩陣按照第一維打亂）	整數或者矩陣

代碼示例

(1)正態分佈 import numpy as np rand_data = np.random.randint(1, 10, (3, 4)) print(rand_data) np.random.shuffle(rand_data) print(rand_data) out： [[4 4 4 8] [5 6 8 2] [1 7 6 6]] [[4 4 4 8] [1 7 6 6] [5 6 8 2]] （按照行打亂了，也就是交換了行）