random模块常用函数介绍

random是numpy中超好用的随机数模块，在数据分析中，我们不可避免需要一些随机值，如果自己手动输入，不仅不方便，还不随机。现在我们来一起学习一下这个模块。

简单随机数

• rand(d0, d1, …, dn)
  传入的参数是指定输出的矩阵的shape,数组的元素的取值范围是在[0,1)的左闭右开的浮点数。

np.random.rand(3,2)

每一次执行都能得到不同的值。

• randn(d0, d1, …, dn)
  传入的参数是指定矩阵shape,不传默认返回一个随机值。返回的元素是来自标准正态分布(均值0和方差1)的浮点数。

np.random.randn(2,2)

• randint(low[, high, size, dtype])
  返回[low,high)的“离散均匀”分布的随机整数，矩阵的形状由size指定。如果不给high的值，那么数值默认是从[0,low)取值。size可以是int或者int元祖，若是不给出，则默认返回一个随机值。

np.random.randint(3,size=3)
np.random.randint(3,7,size=(3,2))

• random_sample([size])
  返回一个在[0.0,1.0)左闭右开区间内连续均匀分布的随机浮点数。
  和rand的区别是rand传入的维度是各个维度之间用逗号隔开，而random_sample的size则是传入一个元组。

np.random.random_sample((4,2))
5 * np.random.random_sample((3, 2)) - 5

• choice(a[, size, replace, p])
  从给定的一位数组中生成随机样本。
  其中还可以给定数组a中每个元素的相关概率，若是不给出，则默认所有元素都是在a中均匀分布的。

a = ['特等奖','一等奖','二等奖','三等奖','谢谢惠顾']
np.random.choice(a,(6,))
np.random.choice(a,(6,),p=[0.01,0.1,0.15,0.2,0.54])

注意：当出现以下情况，会报ValueError:

• a是一个数字，并且a小于0
• a或者p不是一维的
• a是一个空数组
• p不是概率向量
• a和p的长度不一致
• 当replace=False(默认是True)时,样本量(size指定的值)大于总体数量(a)大小

洗牌

• shuffle(x)
  直接打乱该序列的内容，没有返回值。
  

(频数或频率的)分布

• logistic([loc, scale, size])
  从逻辑分布中抽取样本。
  样本是从具有指定参数，loc(位置或均值，也为中位数)和scale(>0)的逻辑分布中抽取的。
  逻辑分布的概率密度公式：
  
  

• normal([loc, scale, size])
  从正态(高斯)分布中抽取随机样本。默认均值是0.0，标准差是1.0。
  正态分布概率密度：
  
  

• standard_normal([size])
  从标准正态分布中抽取随机样本，这个就是normal的一个默认值特例。
  

• uniform([low, high, size])
  从均匀分布中抽取样本。样本均匀分布在[low.high)左闭右开区间。low默认值是0.0，high默认值是1.0
  均匀分布的概率密度函数：
  
  uniform的抽样和前面简单随机数的几个函数很相似，但是前面是返回0-1范围内的值，uniform函数可以自己指定数据变化范围。
  

随机数种子

seed([seed])
当我们做数据分析，还有数据建模时，可能要通过调节参数值使模型更准确，但是用random模块每次数据都不一样，若是想保证在本次调节时样本数据一致，可使用seed函数。
当在同一个种子下，不管执行几次，得到的结果都是一样的。

另外，这个产生的随机数都是多位小数，如果你觉得看起来很累，可以设置自己想要精确到什么小数位。

np.set_printoptions(precision=2) # precision=2表示保留两位小数

array1= np.random.rand(4)
array1

如果你还有想了解random模块的其他函数，可以查看官方文档：
https://numpy.org/devdocs/reference/random/legacy.html#numpy.random.RandomState
好了，本文到这里就结束了，希望你对random模块有所了解。
感谢您的阅读~