随机数生成
numpy中随机数生成使用的是random模块，尤其是一些特殊分布的样本值的生成，而且生成数据很高效，对比numpy模块的random和Python内置模块的random，
Python内置的random方法一次只能生成一个随机数，列表生成器的效率比较低，而且参与运算还需要从列表转到数组，又要花费时间。
numpy随机数生成函数
permutation方法
permutation方法将给定的数据进行重新排列，接受参数的形式常用的有如下3种，
# 传入指定值
np.random.permutation(10)
# 返回 array([1, 7, 4, 3, 0, 9, 2, 5, 8, 6])
# 传入列表
np.random.permutation([1, 4, 9, 12, 15])
# 返回 array([15, 1, 9, 4, 12])
# 传入数组
arr = np.arange(9).reshape((3, 3))
np.random.permutation(arr)
# 返回 array([[6, 7, 8],
# [0, 1, 2],
# [3, 4, 5]])
shuffle方法
功能与permutation相同，但是只能接受 array_like的参数，速度上快于permutation，
#只能传入array_like的参数
arr = np.arange(10)
np.random.shuffle(arr)
# 返回arr[1 7 5 2 9 4 3 6 0 8]
arr = np.arange(9).reshape((3, 3))
np.random.shuffle(arr)
# 返回 array([[3, 4, 5],
# [6, 7, 8],
# [0, 1, 2]])
rand方法
Create an array of the given shape and populate it with random samples from a uniform distribution over [0, 1)。
满足[0,1)均匀分布的值，方法的参数是各个维度的大小，
np.random.rand(3,2)
# 返回 array([[ 0.14022471, 0.96360618],
# [ 0.37601032, 0.25528411],
# [ 0.49313049, 0.94909878]])
randint方法
Return random integers from [low , high)
If high is None (the default), then results are from [0, low)
满足“discrete uniform” distribution（离散型标准分布）。如果没有给出high这个参数，默认[0 , low)这个范围。size参数的形式，size : int or tuple of ints。
np.random.randint(2, size=10)
# 返回array([1, 0, 0, 0, 1, 1, 0, 0, 1, 0])
np.random.randint(1, size=10)
# 返回 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))
# 返回 array([[4, 0, 2, 1],
# [3, 2, 2, 0]])
randn方法
返回标准正态分布的样本值，方法的参数是各个维度的大小，
# 不指定维度则返回一个值
np.random.randn()
# 返回 2.1923875335537315
# 指定维度，生成数组可参与运算
2.5 * np.random.randn(2, 4) + 3
# 返回array([[-4.49401501, 4.00950034, -1.81814867, 7.29718677],
# [ 0.39924804, 4.68456316, 4.99394529, 4.84057254]])
binomial方法
参数n是整数组成的数组，参数p是浮点数或者浮点数数组，size是用于指定维度的元组。该方法产生二项分布的随机样本，二项分布公式如下，
官方文档的说明，
where n is the number of trials, p is the probability of success, and is the number of successes.
n是总试验次数，N是n次尝试中成功的次数，p是成功的经验概率。
#用binomial方法模拟抛10次硬币，正面向上的情况（测试100次）
# number of trials, probability of each trial
n, p = 10, 0.5
s = np.random.binomial(n, p, 100)
返回结果
normal方法
loc参数代表正态分布的中心（即样本均值），scale参数是正态分布的样本标准差，size参数是维度。该方法产生服从正态分布的随机样本，正态分布公式如下，
mu, sigma = 0, 0.1 # mean and standard deviation
s = np.random.normal(mu, sigma, （2,10）)
得到结果如下，
beta方法
a和b参数分别表示beta分布的系数 α和β，都是非负的。size参数还是指定维度的参数，传入的可以是整数或者整数组成的元组。该方法产生的是服从β分布的随机样本，beta分布公式为，
chisquare方法
df参数是自由的（非负数），size参数指定的是维度，方法返回服从卡方分布的随机样本数组，
np.random.chisquare(2,4) #返回 array([ 1.89920014, 9.00867716, 3.13710533, 5.62318272])
gamma方法
其中shape参数是大于0的浮点数，是γ分布的形状；scale参数也是大于0的浮点数，限定γ分布的规模；size参数指定样本的维度，γ分布满足如下公式，
shape, scale = 2., 2. # mean=4, std=2*sqrt(2) 数学意义
s = np.random.gamma(shape, scale, 1000)
uniform方法
返回的是在区间 [ low , high )的均匀分布的样本值。在 [ a , b )区间中，样本值的分布满足下式，
# [ -1 , 0 )区间内的均匀分布样本，维度 1×100
s = np.random.uniform(-1,0,100)
模拟随机漫步
随机漫步的模拟：从0开始，步长为 -1或1，走1000步，记录过程，
方法一：纯Python实现
方法二：numpy实现
这个数组还可以进行一些统计工作，
numpy不仅仅效率高，而且可以同时模拟多个随机漫步，同时模拟5000个随机漫步过程，每个随机漫步走1000步，
依旧可以求出5000个随机漫步过程的最大值与最小值，
