教程 | Numpy的伪随机数生成

最新推荐文章于 2025-07-08 23:13:59 发布
原创 最新推荐文章于 2025-07-08 23:13:59 发布 · 560 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文深入探讨了Numpy中的随机数生成模块，对比Python内置的random模块，Numpy提供了更高效、更多样化的随机数生成函数，适用于大规模数据样本的生成。文中详细介绍了如何使用Numpy生成不同分布的随机数，并解释了伪随机数的概念及其生成原理。

 

访问flyai.club，一键创建你的人工智能项目

 

        

        numpy.random模块对Python内置的random进行了补充，增加了一些用于高效生成多种概率分布的样本值的函数。例如，你可以用normal来得到一个标准正态分布的4×4样本数组：

 

 

        而Python内置的random模块则只能一次生成一个样本值。从下面的测试结果中可以看出，如果需要产生大量样本值，numpy.random快了不止一个数量级

 

 

        我们说这些都是伪随机数，是因为它们都是通过算法基于随机数生成器种子，在确定性的条件下生成的。你可以用NumPy的np.random.seed更改随机数生成种子：

 

 

        numpy.random的数据生成函数使用了全局的随机种子。要避免全局状态，你可以使用numpy.random.RandomState，创建一个与其它隔离的随机数生成器：

 

 

        numpy.random函数

 

        

 

教程 | Jupyter Notebook初级教程——迷死人的基础操作​

教程 | Jupyter Notebook基础教程——快捷键的使用​

教程 | Python之Numpy ndarray 基本介绍 1​

教程 | Python之Numpy ndarray 基本介绍 2​

教程 | Python之Numpy ndarray 基本介绍 3​

教程 | Python之Numpy ndarray 基本介绍 4​

教程 | 通用函数：快速的元素级数组函数​

教程 | 使用数组进行数组编程（上）​

教程 | 使用数组进行数组编程（下）​

教程 | Numpy的线性代数运算

点击 阅读原文 ，动手操作

 

—  End —

 

​

iFlyAI
关注
NumPy 基本操作(伪随机数生成)
weixin_38477351的博客
06-15 342
伪随机数生成 numpy.random模块填补了 python内建的 random模块的不足，可以高效的生成多种概率分布下的完整样本值数组。例如，我们可以使用 normal来获得一个 4x 4的正态分布样本数组： 然而，python内建的 random模块一次只能生成一个值。我们可以从下面的示例中看到，numpy.random在生成大型样本时比纯 python的方式快...
python生成伪随机数序列库randomstate
zhangzhechun的专栏
06-13 1329
此外，randomstate 模块还可以用于生成具有固定随机数序列的随机数生成器，这在需要进行重复实验和随机数生成的场合非常有用。总之，randomstate库是一个非常有用的工具，可以帮助你在Python和NumPy中生成可重复的随机数序列，从而提高代码的可重复性和可靠性。模拟实验结果：如果你需要进行一些实验，但又不想每次都得到相同的结果，可以使用randomstate库来生成可重复的随机数序列，从而模拟实验结果。默认的随机数生成器与NumPy的RandomState相同（即相同的种子，相同的随机数）。
使用numpy进行伪随机数生成(np.random模块)
DevilXiao
04-12 786
numpy.random模块弥补了Python内建的random模块的不足，可以高效地生成多种概率分布下地完整样本值数组。python内建的random模块一次只能生成一个值。使用for循环的python方式比用numpy实现慢了一个数量级： from random import normalvariate N = 1000000 %timeit samples = [normalvariate(...
Numpy伪随机数生成
白炎灵的博客
08-16 655
numpy.random模块可以高效生成概率分布下的完整样本值数组，下面介绍一些常用的函数。（文中的np就是numpy) np.random.normal() 从正态（高斯）分布中抽取样本 import numpy as np samples = np.random.normal(size=[4,4]) samples Out: array([[ 0.87314992, 1.5471396...
Numpy基础（4）伪随机数生成和随机漫步
CC_且听风吟丶的博客
04-17 558
六、伪随机数生成 numpy.random模块填补了Python内奸的random模块的不足，可以高效地生成多种概率分布下的完整样本值数组。 numpy.random中的部分函数列表 seed 向随机数生成器传递随机状态种子 permutation 返回一个序列的随机排列，或者返回一个乱序的整数范围序列 shuffle 随机排列一个序列 rand 从均...
Numpy伪随机数
weixin_44296156的博客
11-20 215
NumPy-随机数生成详解
07-08 1263
NumPy作为Python数值计算的核心库，提供了功能强大、性能高效的随机数生成模块——numpy.random，该模块不仅能生成各种分布的随机数，还能满足可重复性、批量生成等需求。
Numpy随机分布
2401_87345428的博客
05-05 848
一、随机与数据分布一、随机与数据分布通过某种生成算法产生的随机数称为伪随机数。我们能生成真正的随机数吗？是可以的。为了在我们的计算机上生成真正的随机数，我们需要从外部来源获取随机数据。这些外部来源通常是我们的按键、鼠标移动、网络数据等等。我们不需要真正的随机数，除非它与安全相关（例如加密密钥）或应用的基础是随机性（例如数字轮盘赌）。本次，我们将使用伪随机数。NumPy 提供了random处理随机数的函数。随机函数的rand()方法返回 0 到 1 之间的随机浮点数。
NumPy-伪随机数生成
喜欢吃冰棍de谷利文君的博客
08-05 276
NumPy-伪随机数生成 numpy.random模块对python内置的random进行了补充，增加了一些用于高效生成多种概率分布的样本值的函数。 np.random.normal(size=(4,4)) ：标准正态分布的4x4样本数组； 所谓伪随机数，是这些都是通过算法基于随机数生成器种子，在确定性的条件下生成的。可以用numpy的 np.random.seed 更改随机数生成种子： np...
NUMPY中伪随机数生成
步步心愿的博客
10-06 568
相信每一个小伙伴都因为生产随机数而头疼过，下面我来进行一个汇总
numpy伪随机数的生成
k17041114的博客
10-07 262
numpy伪随机数的生成 normal函数 可以用normal来得到一个标准正态分布的4×4样本数组 >>> import numpy as np >>> samples=np.random.normal(size=(4,4)) >>> samples array([[-1.24275887, 0.82243858, -0.0464...
NumPy——数组函数与方法_伪随机数的生成
XQC_KKK的博客
01-28 582
NumPy的random子模块提供了一系列高效生成多种概率分布函数。比如randn()函数创建随机数据。 使用normal()函数可以创建标准正态分布抽样数据。 import numpy as np print(np.random.normal(size=(5,5))) [[ 0.79992821 -1.78133841 0.06778658 0.03911525 0.13360691] [ 1.31529311 -0.48196512 -1.03440143 2.38338257 0.670
numpy的伪随机数发生器
weixin_33909059的博客
01-08 172
在python的程序中，发现了如下的伪随机数产生的代码： rng = numpy.random.RandomState(23355) arrayA = rng.uniform(0,1,(2,3)) 该段代码的目的是产生一个2行3列的assarray，其中的每个元素都是[0,1]区间的均匀分布的随机数 这里看以看到，有一个23355这个数字，其实，它是伪随机数产生器的种子，也就是...
【Python】Numpy中伪随机数的简单使用
付费专栏已不再维护，请勿购买
10-28 781
Numpy中伪随机数的简单使用
（13）numpy基础5：random模块 伪随机数生成及使用
xiaomengzhang的博客
11-16 1122
1.numpy.random 模块 1.1 函数详解 seed 向随机数生成器传递随机状态种子 permutation 返回一个序列的随机排序，或者返回一个乱序的整数范围序列 shuffle 随机排序一个序列 rand 从均匀分布中抽取样本 randint 根据给定的由低到高的范围抽取随机整数 randn 从均值0方差1的正态分布中抽取样本（MATLAB型接口） binomial 从二项分布中抽取样本 normal 从正态（高斯）分布中抽取样本 beta 从bata分布中抽取样本 c.
利用Python进行数据分析笔记（伪随机数生成）
Triumph19的博客
07-23 359
numpy.random模块填补了Python内建的random模块的不足，可以高效地生成多种概率分布下的完整样本值数组。例如，你可以使用normal来获得一个4乘4的正态分布样本数组： >>> samples = np.random.normal(size=(4,4)) >>> samples array([[-0.80347107, -0.84369142, 0.48835029, 0.51271581], [ 1.04732259, -0.78.
用伪随机数建造真的
sjd163的专栏
01-18 4864
         “应用密码学”作者Bruce Schneier 对随机序列的定义是：                                      (1)看起来像随机数                                      (2)不可预测                                      (3)不可重复产生         随机数由性质相同
numpy(random)
蜀山小道士的blog
07-07 412
numpy.random模块使用 import numpy as np (一)生成随机浮点数 1.np.random.random np.random.random()    #生成一个0-1的浮点数 np.random.random((m,n))    #生成m x n 的随机数组(元素为0-1的浮点数) 2.np.random.rand(0-1均匀分布) np.random.ra...
random的伪随机数生成函数？
最新发布
12-01
<think> 我们正在讨论Python的random模块，它用于生成伪随机数。用户要求了解random伪随机数生成函数的介绍。根据引用，我们可以总结以下要点： 1. random模块是Python标准库的一部分，用于生成伪随机数。 2. 它基于Mersenne Twister算法，该算法生成53位精度的浮点数，周期非常长（2^19937-1）。 3. 虽然是伪随机数（即确定性算法生成），但经过广泛测试，适合大多数非加密用途。 4. 基本函数是random()，生成[0.0, 1.0)范围内的均匀分布浮点数。 我们将介绍random模块的常用函数，并注意以下几点： - 使用中文 - 数学公式用$...$或$$...$$ - 在适当的地方添加引用标记 以下是回答的结构： 1. 引入：解释什么是伪随机数，以及random模块的作用。 2. 核心函数：介绍random()函数和其他重要函数（如生成整数、序列操作、实值分布等）。 3. 注意点：强调其伪随机性和不适用于加密。 4. 示例代码：展示几个常用函数的用法。 5. 总结：使用场景和替代方案（如numpy.random）。 同时，根据引用[2]，我们还可以提到numpy.random作为补充。 最后，生成相关问题。 </think> ### Python `random` 模块：伪随机数生成详解 `random` 模块是 Python 标准库中用于生成**伪随机数**的核心工具。以下是关键解析： --- #### 1. 伪随机数本质 - **确定性算法**：通过固定算法（Mersenne Twister）根据**随机种子**($\text{seed}$)迭代生成序列 - **周期特性**：周期为 $2^{19937}-1$（约 $10^{6000}$ 量级），之后序列会重复[^3] - **非加密安全**：完全可预测，不适用于密码学场景[^3] #### 2. 核心生成器 ```python import random # 初始化种子 (默认为系统时间) random.seed(42) # 基础生成函数 [0.0, 1.0) rand_float = random.random() # 例: 0.639426... ``` - 生成 $[0.0, 1.0)$ 间的 53 位精度浮点数[^3] - 底层使用**梅森旋转算法**（Mersenne Twister），速度快且线程安全 --- #### 3. 常用函数分类 ##### ① 整数生成 | 函数 | 数学表达 | 示例 | |--------------------------|----------------------------|--------------------------| | `randint(a, b)` | $X \sim U[a,b]$ | `random.randint(1,6)` → 3 | | `randrange(start, stop, step)` | $X \in \{s,s+st,s+2st,...\}$ | `random.randrange(0,10,2)` → 4 | ##### ② 序列操作 ```python colors = ['red','green','blue'] random.shuffle(colors) # 原地洗牌 → ['blue','red','green'] random.choice(colors) # 随机选取 → 'red' random.sample(colors,2) # 无放回抽样 → ['green','blue'] ``` ##### ③ 实值分布 | 分布类型 | 函数 | 概率密度函数 | |------------|---------------------|----------------------------------| | 均匀分布 | `uniform(a, b)` | $f(x)=\frac{1}{b-a}\ (a\leq x\leq b)$ | | 高斯分布 | `gauss(mu, sigma)` | $f(x)=\frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$ | | 指数分布 | `expovariate(lambda)` | $f(x)=\lambda e^{-\lambda x}$ | --- #### 4. 关键特性 1. **种子控制** 相同种子产生相同序列： ```python random.seed(100) a = random.random() # 始终为 0.145669... ``` 2. **性能局限** 单次仅生成一个值，需循环生成数组 → 推荐 `numpy.random` 批量生成[^2] 3. **应用场景** ✅ 蒙特卡洛模拟 ✅ 游戏随机事件 ✅ 机器学习数据打乱 ❌ 加密/安全相关 --- #### 5. 基础使用示例 ```python # 模拟骰子投掷 dice = random.randint(1, 6) # 生成正态分布样本 mu, sigma = 0, 0.1 sample = random.gauss(mu, sigma) # 从列表加权抽样 fruits = ['apple','orange','banana'] weights = [0.3, 0.2, 0.5] choice = random.choices(fruits, weights, k=10) ``` > **扩展阅读**：对加密场景应使用 `secrets` 模块；科学计算优先选 `numpy.random`
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值