Python中的random模块
random模块中最常用的几个函数：
random.random()用于生成一个0到1的随机符点数: 0 <= n < 1.0 [0,1)。
random.uniform的函数原型为：random.uniform(a, b)，用于生成一个指定范围内的随机符点数，两个参数其中一个是上限，一个是下限。如果a < b，则生成的随机数n: a <= n <= b。如果 a >b， 则 b <= n <= a。
random.randint()的函数原型为：random.randint(a, b)，用于生成一个指定范围内的整数。其中参数a是下限，参数b是上限，生成的随机数n: a <= n <= b。
random.randrange的函数原型为：random.randrange([start], stop[, step])，从指定范围内，按指定基数递增的集合中 获取一个随机数。
random.choice从序列中获取一个随机元素。其函数原型为：random.choice(sequence)。参数sequence表示一个有序类型。这里要说明 一下：sequence在python不是一种特定的类型，而是泛指一系列的类型。
random.shuffle的函数原型为：random.shuffle(x[, random])，用于将一个列表中的元素打乱。
random.sample的函数原型为：random.sample(sequence, k)，从指定序列中随机获取指定长度的片断。sample函数不会修改原有序列。
import random
a = random.random()
print (a)
b = random.uniform(10.0,15.0)
print (b)
bb = random.uniform(15.0,10.0)
print (bb)
c = random.randint(1,7)
print (c)
d = random.randrange(1,10,2)
print (d)
e = random.choice(range(0,10,2))
print (e)
f = list('difference')
print (f)
random.shuffle(f)
print (f)
g = random.sample(f,4)
print (g)
print (f)
0.7557760631464904
11.976117650486488
10.624028534361265
1
5
2
['d', 'i', 'f', 'f', 'e', 'r', 'e', 'n', 'c', 'e']
['d', 'i', 'r', 'e', 'e', 'n', 'e', 'f', 'c', 'f']
['e', 'e', 'r', 'f']
['d', 'i', 'r', 'e', 'e', 'n', 'e', 'f', 'c', 'f']
Numpy中的随机数
下面内容引用自链接博客，感觉他总结的非常不错。https://blog.csdn.net/jinxiaonian11/article/details/53143141
numpy.random模块分为四个部分，对应四种功能：
- 生成器：种随机数种子，根据同一种子产生的随机数是相同的
- 简单随机数： 产生简单的随机数据，可以是任何维度
- 分布：产生指定分布的数据，如高斯分布等
- 排列：将所给对象随机排列
1. 生成器
电脑产生随机数需要明白以下几点：
（1）随机数是由随机种子根据一定的计算方法计算出来的数值。所以，只要计算方法一定，随机种子一定，那么产生的随机数就不会变。
（2）只要用户不设置随机种子，那么在默认情况下随机种子来自系统时钟（即定时/计数器的值）
（3）随机数产生的算法与系统有关，Windows和Linux是不同的，也就是说，即便是随机种子一样，不同系统产生的随机数也不一样。
numpy.random 设置种子的方法有：
| 函数名称 | 函数功能 | 参数说明 |
|---|---|---|
| RandomState | 定义种子类 | RandomState是一个种子类，提供了各种种子方法，最常用seed |
| seed([seed]) | 定义全局种子 | 参数为整数或者矩阵 |
import numpy as np
np.random.seed(1234)
#只显示小数点后两位
np.set_printoptions(precision = 2)
2. 简单随机数
| 函数名称 | 函数功能 | 参数说明 |
|---|---|---|
| randint(low[, high, size, dtype]) | 产生随机整数 | low：最小值；high：最大值；size：数据个数 |
| random_sample([size]) | 在[0,1）内产生随机数 | size：随机数的shape，可以为元祖或者列表，[2,3]表示2维随机数，维度为（2,3） |
| random([size]) | 同random_sample([size]) | 同random_sample([size]) |
| ranf([size]) | 同random_sample([size]) | 同random_sample([size]) |
| sample([size])) | 同random_sample([size]) | 同random_sample([size]) |
| choice(a[, size, replace, p]) | 从a中随机选择指定数据 | a：1维数组 size：返回数据形状 |
| bytes(length) | 返回随机位 | length：位的长度 |
| rand(d0, d1, …, dn) | 产生 [0,1)之间均匀分布的随机数 | dn为第n维数据的维度 |
| randn(d0, d1, …, dn) | 产生标准正态分布随机数 | dn为第n维数据的维度 |
# 指定范围内的随机整数
a = np.random.randint(1,5,10)
print (a)
aa = np.random.randint(1,5,[2,5])
print (aa)
# [0,1)内随机数
b = np.random.random_sample(10)
print (b)
bb = np.random.random_sample([2,5])
print (bb)
c = np.random.random(10)
print (c)
d = np.random.sample(10)
print (d)
e = np.random.ranf(10)
print (e)
f = np.random.choice(5,10)
print (f)
g = np.random.bytes(10)
print (g)
h = np.random.rand(2,3) #[0,1)均匀分布里面取数
print (h)
i = np.random.randn(2,3) #标准正太分布里面取数
print (i)
[3 1 1 3 4 2 1 3 2 3]
[[4 1 2 4 1]
[2 2 2 3 1]]
[0.72 0.87 0.13 0.97 0.75 0.92 0.04 0.29 0.82 0.27]
[[0.05 0.15 0.02 0.78 0.35]
[0.75 0.05 0.08 0.79 0.37]]
[0.11 0.41 0.65 0.44 0.2 0.44 0.74 0.1 0.51 0.84]
[0.99 0.63 0.29 0.13 0.01 0.34 0.48 0.55 0.04 0.06]
[0.02 0.51 0.27 0.45 0.97 0.8 0.28 0.56 0.2 0.79]
[4 4 1 1 2 2 1 3 2 3]
b'\xf0\x15\xad\x02\xb3]\x05\xd5\xc6\xbf'
[[0.89 0.69 0.46]
[0.48 0.33 0.27]]
[[ 0.5 -1.04 1.78]
[ 0.73 0.25 -0.55]]
3. 分布
numpy.random模块提供了产生各种分布随机数的API：
| 函数名称 | 函数功能 |
|---|---|
| beta(a, b[, size]) | 贝塔分布样本，在 [0, 1]内 |
| binomial(n, p[, size]) | 二项分布的样本 |
| chisquare(df[, size]) | 卡方分布样本 |
| dirichlet(alpha[, size]) | 狄利克雷分布样本 |
| exponential([scale, size]) | 指数分布 |
| f(dfnum, dfden[, size]) | F分布样本 |
| gamma(shape[, scale, size]) | 伽马分布 |
| geometric(p[, size]) | 几何分布 |
| gumbel([loc, scale, size]) | 耿贝尔分布 |
| hypergeometric(ngood, nbad, nsample[, size]) | 超几何分布样本 |
| laplace([loc, scale, size]) | 拉普拉斯或双指数分布样本 |
| logistic([loc, scale, size]) | Logistic分布样本 |
| lognormal([mean, sigma, size]) | 对数正态分布 |
| logseries(p[, size]) | 对数级数分布 |
| multinomial(n, pvals[, size]) | 多项分布 |
| multivariate_normal(mean, cov[, size]) | 多元正态分布 |
| negative_binomial(n, p[, size]) | 负二项分布 |
| noncentral_chisquare(df, nonc[, size]) | 非中心卡方分布 |
| noncentral_f(dfnum, dfden, nonc[, size]) | 非中心F分布 |
| normal([loc, scale, size]) | 正态(高斯)分布 |
| pareto(a[, size]) | 帕累托（Lomax）分布 |
| poisson([lam, size]) | 泊松分布 |
| power(a[, size]) | Draws samples in [0, 1] from a power distribution with positive exponent a - 1. |
| rayleigh([scale, size]) | Rayleigh 分布 |
| standard_cauchy([size]) | 标准柯西分布 |
| standard_exponential([size]) | 标准的指数分布 |
| standard_gamma(shape[, size]) | 标准伽马分布 |
| standard_normal([size]) | 标准正态分布 (mean=0, stdev=1). |
| standard_t(df[, size]) | Standard Student’s t distribution with df degrees of freedom. |
| triangular(left, mode, right[, size]) | 三角形分布 |
| uniform([low, high, size]) | 均匀分布 |
| vonmises(mu, kappa[, size]) | von Mises分布 |
| wald(mean, scale[, size]) | 瓦尔德（逆高斯）分布 |
| weibull(a[, size]) | Weibull 分布 |
| zipf(a[, size]) | 齐普夫分布 |
h = np.random.rand(2,3) #[0,1)均匀分布里面取数
print (h)
hh= np.random.uniform(2,3,10) #均匀分布里面取数
print (hh)
hh= np.random.uniform(2,3,[2,3]) #均匀分布里面取数
print (hh)
i = np.random.randn(2,3) #标准正太分布里面取数
print (i)
ii = np.random.normal(2,3,[2,3]) #正太分布里面取数
print (ii)
[[0.06 0.25 0.95]
[0.22 0.96 0.2 ]]
[2.34 2.82 2.85 2.57 2.9 2.51 2.21 2.86 2.01 2.62]
[[2.02 2.9 2.16]
[2.47 2.77 2.8 ]]
[[ 0.1 0.56 -0.04]
[-1.06 -0.14 1.15]]
[[ 4.15 0.49 -3.74]
[ 1.22 7.03 -2.65]]
4. 排列
| 函数名称 | 函数功能 | 参数说明 |
|---|---|---|
| shuffle(x) | 打乱对象x（多维矩阵按照第一维打乱） | 矩阵或者列表 |
| permutation(x) | 打乱并返回该对象（多维矩阵按照第一维打乱） | 整数或者矩阵 |
j = np.random.randint(1, 10, (3, 4))
print(j)
np.random.shuffle(j)
print(j)
jj = np.random.permutation(j)
print (jj)
print (j)
[[3 9 1 8]
[5 7 1 5]
[9 1 2 7]]
[[3 9 1 8]
[9 1 2 7]
[5 7 1 5]]
[[9 1 2 7]
[5 7 1 5]
[3 9 1 8]]
[[3 9 1 8]
[9 1 2 7]
[5 7 1 5]]