使用numpy产生随机数

numpy中的random模块包含了很多方法可以用来产生随机数，这篇文章将对random中的一些常用方法做一个总结。

1、numpy.random.rand(d0, d1, …, dn)

  • 作用：产生一个给定形状的数组（其实应该是ndarray对象或者是一个单值），数组中的值服从[0, 1)之间的均匀分布。
  • 参数：d0, d, …, dn : int，可选。如果没有参数则返回一个float型的随机数，该随机数服从[0, 1)之间的均匀分布。
  • 返回值：ndarray对象或者一个float型的值
    例子：
1
2
3
4
5
6
7
8
9
10
11
12
# [0, 1)之间均匀分布的随机数，3行2列
a = np.random.rand(3, 2)
print(a)
# 不提供形状
b = np.random.rand()
print(b)
输出：

[[0.26054323 0.28184468]
 [0.7783674  0.71733674]
 [0.90302256 0.49303252]]
0.6022098740124009

2、numpy.random.uniform(low=0.0, high=1.0, size=None)

  • 作用：返回一个在区间[low, high)中均匀分布的数组，size指定形状。
  • 参数：
    • low, high：float型或者float型的类数组对象。指定抽样区间为[low, high)，low的默认值为0.0，hign的默认值为1.0
    • size：int型或int型元组。指定形状，如果不提供size，则返回一个服从该分布的随机数。
      例子：
1
2
3
4
5
6
7
8
9
10
11
12
# 在[1, 10)之间均匀抽样，数组形状为3行2列
a = np.random.uniform(1, 10, (3, 2))
print(a)
# 不提供size
b = np.random.uniform(1, 10)
print(b)
输出：

[[5.16545387 6.3769087 ]
 [9.98964899 7.88833885]
 [1.37173855 4.19855075]]
3.899250175275188

3、numpy.random.randn(d0, d1, …, dn)

  • 作用：返回一个指定形状的数组，数组中的值服从标准正态分布（均值为0，方差为1）。
  • 参数：d0, d, …, dn : int，可选。如果没有参数，则返回一个服从标准正态分布的float型随机数。
  • 返回值：ndarray对象或者float
    例子：
1
2
3
4
5
6
7
8
9
10
11
12
# 3行2列
a = np.random.randn(3, 2)
print(a)
# 不提供形状
b = np.random.randn()
print(b)
输出：

[[-1.46605527  0.35434705]
 [ 0.43408199  0.02689309]
 [ 0.48041554  1.62665755]]
-0.6291254375915813

4、numpy.random.normal(loc=0.0, scale=1.0, size=None)

  • 作用：返回一个由size指定形状的数组，数组中的值服从 μ=loc,σ=scale 的正态分布。
  • 参数：
    • loc : float型或者float型的类数组对象，指定均值 μ
    • scale : float型或者float型的类数组对象，指定标准差 σ
    • size : int型或者int型的元组，指定了数组的形状。如果不提供size，且loc和scale为标量（不是类数组对象），则返回一个服从该分布的随机数。
  • 输出：ndarray对象或者一个标量
    例子：
1
2
3
4
5
6
7
8
9
10
11
12
# 标准正态分布，3行2列
a = np.random.normal(0, 1, (3, 2))
print(a)
# 均值为1，标准差为3
b = np.random.normal(1, 3)
print(b)
输出：

[[ 0.34912031 -0.08757564]
 [-0.99753101  0.37441719]
 [ 2.68072286 -1.03663963]]
5.770831320998463

5、numpy.random.randint(low, high=None, size=None, dtype=’l’)

  • 作用：返回一个在区间[low, high)中离散均匀抽样的数组，size指定形状，dtype指定数据类型。
  • 参数：
    • low, high：int型，指定抽样区间[low, high)
    • size：int型或int型的元组，指定形状
    • dypte：可选参数，指定数据类型，比如int,int64等，默认是np.int
  • 返回值：如果指定了size，则返回一个int型的ndarray对象，否则返回一个服从该分布的int型随机数。
    例子：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
# 在[1, 10)之间离散均匀抽样，数组形状为3行2列
a = np.random.randint(1, 10, (3, 2))
print(a)
# 不提供size
b = np.random.randint(1, 10)
print(b)
# 指定dtype
c = np.random.randint(1, 10, dtype=np.int64)
print(c)
type(c)
输出：

[[3 1]
 [3 3]
 [5 8]]
6
2
numpy.int64

6、numpy.random.random(size=None)

  • 作用：返回从[0, 1)之间均匀抽样的数组，size指定形状。
  • 参数：
    • size：int型或int型的元组，如果不提供则返回一个服从该分布的随机数
  • 返回值：float型或者float型的ndarray对象
  • 例子：
1
2
3
4
5
6
7
8
9
10
11
12
# [0, 1)之间的均匀抽样，3行2列
a = np.random.random((3, 2))
print(a)
# 不指定size
b = np.random.random()
print(b)
输出：

[[0.80136714 0.63129059]
 [0.04556679 0.04433006]
 [0.09643599 0.53312761]]
0.32828505898057136

numpy API

简单的随机数据

随机抽样 (numpy.random)

简单的随机数据

rand(d0, d1, ..., dn)

随机值

>>> np.random.rand(3,2)
array([[ 0.14022471,  0.96360618],  #random
       [ 0.37601032,  0.25528411],  #random
       [ 0.49313049,  0.94909878]]) #random

randn(d0, d1, ..., dn)

返回一个样本，具有标准正态分布。

Notes

For random samples from 技术分享, use:

sigma * np.random.randn(...) + mu

Examples

>>> np.random.randn()
2.1923875335537315 #random

Two-by-four array of samples from N(3, 6.25):

>>> 2.5 * np.random.randn(2, 4) + 3
array([[-4.49401501,  4.00950034, -1.81814867,  7.29718677],  #random
       [ 0.39924804,  4.68456316,  4.99394529,  4.84057254]]) #random

randint(low[, high, size])

返回随机的整数，位于半开区间 [low, high)。

>>> np.random.randint(2, size=10)
array([1, 0, 0, 0, 1, 1, 0, 0, 1, 0])
>>> np.random.randint(1, size=10)
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

Generate a 2 x 4 array of ints between 0 and 4, inclusive:

>>> np.random.randint(5, size=(2, 4))
array([[4, 0, 2, 1],
       [3, 2, 2, 0]])

random_integers(low[, high, size])

返回随机的整数，位于闭区间 [low, high]。

Notes

To sample from N evenly spaced floating-point numbers between a and b, use:

a + (b - a) * (np.random.random_integers(N) - 1) / (N - 1.)

Examples

复制代码
>>> np.random.random_integers(5)
4
>>> type(np.random.random_integers(5))
<type ‘int‘>
>>> np.random.random_integers(5, size=(3.,2.))
array([[5, 4],
       [3, 3],
       [4, 5]])
复制代码

Choose five random numbers from the set of five evenly-spaced numbers between 0 and 2.5, inclusive (i.e., from the set 技术分享):

>>> 2.5 * (np.random.random_integers(5, size=(5,)) - 1) / 4.
array([ 0.625,  1.25 ,  0.625,  0.625,  2.5  ])

Roll two six sided dice 1000 times and sum the results:

>>> d1 = np.random.random_integers(1, 6, 1000)
>>> d2 = np.random.random_integers(1, 6, 1000)
>>> dsums = d1 + d2

Display results as a histogram:

>>> import matplotlib.pyplot as plt
>>> count, bins, ignored = plt.hist(dsums, 11, normed=True)
>>> plt.show()

 

random_sample([size])

返回随机的浮点数，在半开区间 [0.0, 1.0)。

To sample 技术分享 multiply the output of random_sample by (b-a) and add a:

(b - a) * random_sample() + a

Examples

>>> np.random.random_sample()
0.47108547995356098
>>> type(np.random.random_sample())
<type ‘float‘>
>>> np.random.random_sample((5,))
array([ 0.30220482,  0.86820401,  0.1654503 ,  0.11659149,  0.54323428])

Three-by-two array of random numbers from [-5, 0):

>>> 5 * np.random.random_sample((3, 2)) - 5
array([[-3.99149989, -0.52338984],
       [-2.99091858, -0.79479508],
       [-1.23204345, -1.75224494]])

 

random([size])

返回随机的浮点数，在半开区间 [0.0, 1.0)。

（官网例子与random_sample完全一样）

ranf([size])

返回随机的浮点数，在半开区间 [0.0, 1.0)。

（官网例子与random_sample完全一样）

sample([size])

返回随机的浮点数，在半开区间 [0.0, 1.0)。

（官网例子与random_sample完全一样）

choice(a[, size, replace, p])

生成一个随机样本，从一个给定的一维数组

Examples

Generate a uniform random sample from np.arange(5) of size 3:

>>> np.random.choice(5, 3)
array([0, 3, 4])
>>> #This is equivalent to np.random.randint(0,5,3)

Generate a non-uniform random sample from np.arange(5) of size 3:

>>> np.random.choice(5, 3, p=[0.1, 0, 0.3, 0.6, 0])
array([3, 3, 0])

Generate a uniform random sample from np.arange(5) of size 3 without replacement:

>>> np.random.choice(5, 3, replace=False)
array([3,1,0])
>>> #This is equivalent to np.random.permutation(np.arange(5))[:3]

Generate a non-uniform random sample from np.arange(5) of size 3 without replacement:

>>> np.random.choice(5, 3, replace=False, p=[0.1, 0, 0.3, 0.6, 0])
array([2, 3, 0])

Any of the above can be repeated with an arbitrary array-like instead of just integers. For instance:

>>> aa_milne_arr = [‘pooh‘, ‘rabbit‘, ‘piglet‘, ‘Christopher‘]
>>> np.random.choice(aa_milne_arr, 5, p=[0.5, 0.1, 0.1, 0.3])
array([‘pooh‘, ‘pooh‘, ‘pooh‘, ‘Christopher‘, ‘piglet‘],
      dtype=‘|S11‘)

 

bytes(length)

返回随机字节。

>>> np.random.bytes(10)
‘ eh\x85\x022SZ\xbf\xa4‘ #random

 

排列

shuffle(x)

现场修改序列，改变自身内容。（类似洗牌，打乱顺序）

>>> arr = np.arange(10)
>>> np.random.shuffle(arr)
>>> arr
[1 7 5 2 9 4 3 6 0 8]

 

This function only shuffles the array along the first index of a multi-dimensional array:

>>> arr = np.arange(9).reshape((3, 3))
>>> np.random.shuffle(arr)
>>> arr
array([[3, 4, 5],
       [6, 7, 8],
       [0, 1, 2]])

 

permutation(x)

返回一个随机排列

>>> np.random.permutation(10)
array([1, 7, 4, 3, 0, 9, 2, 5, 8, 6])
>>> np.random.permutation([1, 4, 9, 12, 15])
array([15,  1,  9,  4, 12])
>>> arr = np.arange(9).reshape((3, 3))
>>> np.random.permutation(arr)
array([[6, 7, 8],
       [0, 1, 2],
       [3, 4, 5]])

 

分布

beta(a, b[, size])

 贝塔分布样本，在 [0, 1]内。

binomial(n, p[, size])

 二项分布的样本。

chisquare(df[, size])

 卡方分布样本。

dirichlet(alpha[, size])

 狄利克雷分布样本。

exponential([scale, size])

 指数分布

f(dfnum, dfden[, size])

 F分布样本。

gamma(shape[, scale, size])

 伽马分布

geometric(p[, size])

 几何分布

gumbel([loc, scale, size])

 耿贝尔分布。

hypergeometric(ngood, nbad, nsample[, size])

 超几何分布样本。

laplace([loc, scale, size])

 拉普拉斯或双指数分布样本

logistic([loc, scale, size])

 Logistic分布样本

lognormal([mean, sigma, size])

 对数正态分布

logseries(p[, size])

 对数级数分布。

multinomial(n, pvals[, size])

 多项分布

multivariate_normal(mean, cov[, size])

多元正态分布。

>>> mean = [0,0]
>>> cov = [[1,0],[0,100]] # diagonal covariance, points lie on x or y-axis
>>> import matplotlib.pyplot as plt
>>> x, y = np.random.multivariate_normal(mean, cov, 5000).T
>>> plt.plot(x, y, ‘x‘); plt.axis(‘equal‘); plt.show()

 

negative_binomial(n, p[, size])

 负二项分布

noncentral_chisquare(df, nonc[, size])

 非中心卡方分布

noncentral_f(dfnum, dfden, nonc[, size])

 非中心F分布

normal([loc, scale, size])

正态(高斯)分布

Notes

The probability density for the Gaussian distribution is

技术分享

where 技术分享 is the mean and 技术分享 the standard deviation. The square of the standard deviation, 技术分享, is called the variance.

The function has its peak at the mean, and its “spread” increases with the standard deviation (the function reaches 0.607 times its maximum at 技术分享 and 技术分享 [R217]).

 

Examples

Draw samples from the distribution:

>>> mu, sigma = 0, 0.1 # mean and standard deviation
>>> s = np.random.normal(mu, sigma, 1000)

Verify the mean and the variance:

>>> abs(mu - np.mean(s)) < 0.01
True
>>> abs(sigma - np.std(s, ddof=1)) < 0.01
True

Display the histogram of the samples, along with the probability density function:

>>> import matplotlib.pyplot as plt
>>> count, bins, ignored = plt.hist(s, 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()

 

pareto(a[, size])

 帕累托（Lomax）分布

poisson([lam, size])

 泊松分布

power(a[, size])

 Draws samples in [0, 1] from a power distribution with positive exponent a - 1.

rayleigh([scale, size])

 Rayleigh 分布

standard_cauchy([size])

 标准柯西分布

standard_exponential([size])

 标准的指数分布

standard_gamma(shape[, size])

 标准伽马分布

standard_normal([size])

 标准正态分布 (mean=0, stdev=1).

standard_t(df[, size])

 Standard Student’s t distribution with df degrees of freedom.

triangular(left, mode, right[, size])

 三角形分布

uniform([low, high, size])

 均匀分布

vonmises(mu, kappa[, size])

 von Mises分布

wald(mean, scale[, size])

 瓦尔德（逆高斯）分布

weibull(a[, size])

 Weibull 分布

zipf(a[, size])

 齐普夫分布

随机数生成器

RandomState

 Container for the Mersenne Twister pseudo-random number generator.

seed([seed])

 Seed the generator.

get_state()

 Return a tuple representing the internal state of the generator.

set_state(state)

 Set the internal state of the generator from a tuple.