Numpy_07_随机数详解

一、随机数

通过random模块生成随机数
生成的都是伪随机数（依赖于我们给的初始种子）

1、生成随机整数

np.random.randint()

创建指定区间[low, high)的随机整型数组

 '''
np.random.randint(low, high=None, size=None, dtype='l')

参数说明：
low：int类型，数据范围下限
high：int类型，数据范围上限
size：数组形状，int或元组类型

函数作用：
返回指定区间[low, high)的整型数组
'''
np.random.randint(10,20,10)
# array([16, 10, 15, 16, 10, 13, 14, 15, 10, 17])

np.random.randint(10,20,(2,4))
# array([[17, 19, 13, 11],
#        [19, 17, 16, 13]])

2、固定随机种子

np.random.seed()

固定生成的随机数（下一次按照相同的seed，产生的随机数组永远与第一次一样）

 '''
np.random.seed(seed=None)

函数作用：
随机种子生成器，固定生成的随机数
如果使用相同的seed( )值，则每次生成的随即数都相同;
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。
'''

# 指定seed = 1
np.random.seed(1)
np.random.randint(10,20,(2,4))
# 产生随机数组1
# array([[15, 18, 19, 15],
#        [10, 10, 11, 17]])

# 此时不指定seed，再次执行相同的随机语句
np.random.randint(10,20,(2,4))
# 产生随机数组2，与随机数组1不相同
# array([[17, 16, 19, 12],
#        [14, 15, 12, 14]])

# 当我再次指定seed = 1，并再次执行相同的随机语句
np.random.seed(1)
np.random.randint(10,20,(2,4))
# 产生随机数组与第一次一样，因为随机种子被固定了
# array([[15, 18, 19, 15],
#        [10, 10, 11, 17]])

3、生成随机浮点数

np.random.random()

创建[0.0, 1.0)的随机浮点型数据

'''
np.random.random(size=None)

参数说明：
size：数组形状，int或元组类型

函数作用：
返回一个区间在[0.0, 1.0)的浮点型数字或者数组
'''
# 不指定size（形状）,产生一个随机浮点数
a = np.random.random()
a
# 0.878511261301476

# 指定随机数组形状(3,2)
a = np.random.random((3,2))
a

输出：

array([[0.23399606, 0.12850243],
       [0.05665077, 0.77764984],
       [0.7456458 , 0.36705173]])

np.random.rand()

创建区间在[0.0, 1.0)的均匀分布的随机浮点数数组

'''
rand(d0, d1, ..., dn)

参数说明
d0, d1, ..., dn：数组的形状

函数说明：
生成区间在[0.0, 1.0)的均匀分布的浮点型数字或者数组
'''

# 默认生成一个浮点型数字
np.random.rand()
# 0.34556072704304774

# 指定随机数组生成的形状
np.random.rand(2,1,3)
# array([[[0.41919451, 0.6852195 , 0.20445225]],

#        [[0.87811744, 0.02738759, 0.67046751]]])

np.random.uniform()

创建指定范围内均匀分布的随机浮点数数组

'''
np.random.uniform(low=, high=, size=None)

参数说明
low：区间下限
high：区间上限
[low, high)
size：数组形状

函数说明：
生成指定区间内的随机浮点数型数组
'''
np.random.uniform(2,30,(2,4))
# array([[13.68453447, 17.6433152 ,  5.93083428,  7.54684169],
#        [24.42084792, 29.11132412, 10.77587699, 21.38503324]])

np.random.randn()

产生标准正态分布的随机数组

'''
np.random.randn(d0, d1, ..., dn)


若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布，记为N(μ，σ^2)。
其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。
当μ = 0,σ = 1时的正态分布是标准正态分布。

μ：均值 = 0
σ：标准差 = 1

函数作用：
产生标准正态分布的随机数。
'''

d = np.random.randn(2,3)
d
# array([[ 0.40890054, -0.02461696, -0.77516162],
#        [ 1.27375593,  1.96710175, -1.85798186]])

# 随机数组的均值
d.mean()
# 接近0
# 0.1653329629764415

# 随机数组的标准差 
d.std()
# 接近1
# 1.2615276003417357

np.random.normal()

产生正态分布的随机数组

'''
np.random.normal(loc=0.0, scale=1.0, size=None)

参数说明：
loc：均值 = 0
scale：标准差 = 1
size：数组的形状
不填参数，默认生成标准正态分布的随机数组

函数作用：
产生正态分布的随机数组。
'''
d = np.random.normal(1,3,(3,3))
d
# array([[-0.87059219,  2.56172901, -2.43302417],
#        [ 3.4055831 ,  1.1397019 ,  0.44029068],
#        [ 0.69476238,  3.60665847,  3.25123492]])

# 随机数组的均值
d.mean()
# 接近1
# 1.3107049001667699

# 随机数组的标准差 
d.std()
# 接近3
# 1.9700662140538878

4、随机排序

np.random.shuffle()

直接作用于原数组

'''
np.random.shuffle(x)

参数说明：
x：要进行随机排序的数组

注意：直接作用于原数组
'''
d
# array([[ 2.59,  1.41,  1.23],
#        [ 2.86,  1.7 ,  3.05],
#        [ 0.07, -6.3 ,  4.12]])

# 无返回值
np.random.shuffle(d)
d
# array([[ 2.59,  1.41,  1.23],
#        [ 0.07, -6.3 ,  4.12],
#        [ 2.86,  1.7 ,  3.05]])

np.random.permutation()

不直接作用于原数组

'''
np.random.permutation(x)

参数说明：
x：要进行随机排序的数组

注意：
    If `x` is a multi-dimensional array, it is only shuffled along its
    first index.
    如果x是多维数组，只会随机第一维的元素
'''
x = np.arange(12).reshape(3,4)
x
# array([[ 0,  1,  2,  3],
#        [ 4,  5,  6,  7],
#        [ 8,  9, 10, 11]])

# 随机多维数组
np.random.permutation(x)
'''
x的形状为(3, 4)，是一个二维数组，只会对第一维度的三个元素的顺序进行随机排序
'''
# array([[ 8,  9, 10, 11],
#        [ 4,  5,  6,  7],
#        [ 0,  1,  2,  3]])

扩展：

np.set_printoptions()

控制生成数组的小数位精度

'''
np.set_printoptions(precision=None,)(

参数说明：
precision：控制生成数组的小数位精度
'''

# 设置生成的数组元素保留两位小数
np.set_printoptions(precision = 2)

# 创建符合正态分布的随机数组
d = np.random.normal(1,3,(3,3))
d
# array([[ 2.59,  1.41,  1.23],
#        [ 2.86,  1.7 ,  3.05],
#        [ 0.07, -6.3 ,  4.12]])