Numpy的随机数函数

本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。

np.random的随机数函数

numpy的random子库可以为数组提供随机数的相关功能，书写格式为mp.random.*(*为函数名城)下面介绍几个基本的随机数函数。
rand(d0,d1,…,dn):根据d0-dn创建随机数数组，浮点数，（0，1），均匀分布；
randn(d0,d1,…,dn):根据d0-dn创建随机数数组，标准正态分布；
randint(low,high,shape):根据shape创建随机正数或正数数组，范围是[low,high);
seed(s):随机数种子，s是给定的种子数；
示例：

a = np.random.rand(3,4,5)

a

array([[[0.97017019, 0.3527823 , 0.60624838, 0.52925984, 0.44141665],
        [0.56680268, 0.38601911, 0.43663509, 0.13782552, 0.7726391 ],
        [0.5881991 , 0.29901631, 0.18105188, 0.21032785, 0.64600204],
        [0.66994449, 0.28860224, 0.67514971, 0.33213358, 0.18316808]],

       [[0.44588405, 0.48113294, 0.47640859, 0.69687669, 0.98937807],
        [0.64327948, 0.80892477, 0.12188825, 0.21130757, 0.23650221],
        [0.11075666, 0.0303736 , 0.08272969, 0.08042036, 0.83362655],
        [0.54443201, 0.97959269, 0.85706236, 0.39817555, 0.2377417 ]],

       [[0.25820845, 0.15002361, 0.34578785, 0.03221982, 0.41149256],
        [0.8337201 , 0.18789227, 0.60394676, 0.4187256 , 0.05322977],
        [0.28190376, 0.68089216, 0.61204052, 0.19191836, 0.40245508],
        [0.21811994, 0.49755887, 0.81420446, 0.57002817, 0.41018938]]])

可以看到使用np.random.rand生成了指定维度的0到1之间的浮点数数组；

b = np.random.randn(3,4,5)

b

b
1
b
array([[[ 1.15820986, -0.86017609, -0.36744187,  1.69984648,
          1.16991258],
        [-0.40523958, -0.03323703, -1.83916289,  0.08608835,
         -1.54670085],
        [-0.59772161,  0.38805216, -0.88494707,  2.20252589,
         -0.69140729],
        [ 1.3748076 ,  0.76376657, -0.84462998, -0.57090793,
          0.33758422]],

       [[-0.37533567, -0.23566638, -0.94819582,  1.22978933,
          1.50724192],
        [ 1.14427915, -0.15751491,  0.79007993, -0.50942165,
          0.40158279],
        [ 0.30827392,  0.80302948, -1.04744493, -0.22903935,
         -0.26054347],
        [-0.10196785,  1.07543435, -1.23409803, -0.42501521,
         -0.9280709 ]],

       [[-0.15084575, -1.00480456, -0.78245956, -0.30710344,
         -1.23827147],
        [ 1.85572365,  0.6125938 ,  1.11737308,  0.74333166,
         -1.78181963],
        [ 0.65820808,  0.61815684, -0.39037261,  0.79982055,
          0.43918389],
        [ 0.61385158,  0.847761  , -0.70550522, -0.98063943,
          0.51314707]]])

b中的每一个元素是根据正态分布的方式选取出来的；

c = np.random.randint(100,200,(3,4))

c

array([[129, 120, 113, 177],
       [170, 145, 148, 194],
       [171, 129, 142, 191]])

表示生成了100到200之间的一个3行4列的数组，默认情况下，元素的抽取符合均匀分布（抽取概率相同）。

np.random.seed(1)

a = np.random.randint(100,200,(3,4))
a

array([[106, 125, 150, 120],
       [118, 184, 111, 128],
       [129, 114, 150, 168]])

np.random.seed(1)
a = np.random.randint(100,200,(3,4))
a

array([[137, 112, 172, 109],
       [175, 105, 179, 164],
       [116, 101, 176, 171]])

通过设定和重复使用同一个随机数种子，在测试时得到相同的随机数数组。

高级的随机数函数功能

shuffle(a):根据数组a的第一轴（最外维度）进行随机排列，改变数组a；
permutation(a):根据数组a的第一轴产生一个新的乱序数组，不改变数组a：
choice(a[,size,replace,p]):从一维数组a中以概率p抽取元素，形成size形状的新数组，replace表示是否可以重复使用元素；

a = np.random.randint(100,200,(3,4))
a

array([[160, 181, 108, 188],
       [113, 147, 172, 130],
       [171, 103, 170, 121]])

np.random.shuffle(a)

a

array([[160, 181, 108, 188],
       [171, 103, 170, 121],
       [113, 147, 172, 130]])

可以看到数组a有了行之间的互换；

a  = np.random.randint(100,200,(3,4))
a

array([[198, 187, 107, 126],
       [125, 122, 109, 167],
       [123, 127, 137, 157]])

np.random.permutation(a)

array([[125, 122, 109, 167],
       [198, 187, 107, 126],
       [123, 127, 137, 157]])

a

array([[198, 187, 107, 126],
       [125, 122, 109, 167],
       [123, 127, 137, 157]])

可以看出使用np.permutation(a)会生成一个新的数组，但是原数组a没有变化。

b = np.random.randint(100,200,(8,))

b

array([170, 102, 176, 191, 121, 175, 107, 177])

c = np.random.choice(b,(2,3))

c

array([[170, 191, 121],
       [191, 121, 107]])

array([[170, 191, 121],
       [191, 121, 107]])

array([[107, 176, 191],
       [170, 102, 177]])

带有分布的产生数组的函数

uniform(low,high,size):从low到high之间等可能的生成一个size形状的函数；
normal(loc,scale,size):产生具有正态分布的数组，均值为loc，方差为scale，size为形状；
poisson(lam,size):产生具有泊松分布的数组，lam为随机时间概率，size为形状。

a = np.random.uniform(10,20,(3,4))

a

array([[16.37836484, 11.26314885, 16.90204588, 16.477494  ],
       [13.53939089, 17.63233053, 13.56531724, 17.52788353],
       [18.8134183 , 10.11669194, 14.9810907 , 10.73792011]])

b = np.random.normal(5,10,(3,4))

b

array([[10.12594636,  3.32139136, 18.46336282, -1.15491978],
       [-2.43036696, 15.15936132, -0.55155414,  9.36259361],
       [ 3.53310285,  5.23492824,  2.41697814, 23.39156191]])