numpy 生成数的方法

随机数

numpy中的随机数都在random模块中。

seed()

random.seed(10)
print(random.rand(1,1))
print(random.rand(1,1))
>>>两次结果不相同
random.seed(10)
print(random.rand(1,1))
random.seed(10)
print(random.rand(1,1))
>>>两次结果相同

每次调用产生随机数的函数之前会设置一个随机数种子，相同的随机数种子得到的随机数相同，如果不设置随机数种子，那么程序自动调用系统定时/计时器的值做为种子，这样每次的种子都是不一样的，产生的随机数也不一样。
详见：随机数种子详解

random.rand()

random.rand(d0,d1,d2,…,dn)
产生一个N维矩阵，其中的数在区间[0,1)服从均匀分布。
例：

a = np.random.rand(2,3)
print(a)
>>>[[ 0.3167727   0.84684373  0.46945419]
 [ 0.52644551  0.59481931  0.06313488]]

random.randint()

random.randint(low,high,size,dtype)
从[low,high)中产生size个dtype数(默认为int),这些数服从[low,high)中的离散均匀分布。
例：

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.randn()

random.randn(d0,d1,…,dn)
产生一个n维矩阵，其中的数服从标准正态分布。如果想产生服从
$N(\mu ,{\sigma ^2})$的数，可采用$\mu$+$\sigma$*randn(d0,d1,…dn)。
例：

np.random.randn()
>>> 2.1923875335537315 #不加参数则产生一个标量

#产生一个2*4矩阵并且服从N(3, 6.25):
2.5 * np.random.randn(2, 4) + 3
>>> array([[-4.49401501,  4.00950034, -1.81814867,  7.29718677],  
    [ 0.39924804,  4.68456316,  4.99394529,  4.84057254]]) 

有规律的数

np.linspace

linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
产生start-stop之间固定间隔的num个数，如果endpoint为true则包含stop，retstep为true则返回这个固定间隔step。
例：

np.linspace(2.0, 3.0, num=5)
>>> array([ 2.  ,  2.25,  2.5 ,  2.75,  3.  ])
np.linspace(2.0, 3.0, num=5, endpoint=False)
>>> array([ 2. ,  2.2,  2.4,  2.6,  2.8])
np.linspace(2.0, 3.0, num=5, retstep=True)
>>> (array([ 2.  ,  2.25,  2.5 ,  2.75,  3.  ]), 0.25)

random.uniform

random.uniform(low,high,size)
生成size大小服从在[low，high)范围内均匀分布的数组

a = np.random.uniform(2,4,(2,4))

random.poisson

random.poisson(lamda,size)
产生服从参数为lamda，大小为size的泊松分布。

random.normal

random.normal(loc,scale,size)
产生均值为loc，标准差为scale，大小为size的正态分布