本文轉載自：https://blog.csdn.net/jinxiaonian11/article/details/53143141
（說明：本人只限於收藏，未作他用。由於原作者聲明“本文為博主原創文章，未經博主允許不得轉載”，如侵犯版權，請聯系刪除。）
在數據分析中，數據的獲取是第一步，numpy.random 模塊提供了非常全的自動產生數據API，是學習數據分析的第一步。
總體來說，numpy.random模塊分為四個部分，對應四種功能：
- 簡單隨機數： 產生簡單的隨機數據，可以是任何維度
- 排列：將所給對象隨機排列
- 分布：產生指定分布的數據，如高斯分布等
- 生成器：種隨機數種子，根據同一種子產生的隨機數是相同的
以下是詳細內容以及代碼實例：（以下代碼默認已導入numpy： import numpy as np ）
1. 生成器
電腦產生隨機數需要明白以下幾點：
- 隨機數是由隨機種子根據一定的計算方法計算出來的數值。所以，只要計算方法一定，隨機種子一定，那么產生的隨機數就不會變。
- 只要用戶不設置隨機種子，那么在默認情況下隨機種子來自系統時鍾（即定時/計數器的值）
- 隨機數產生的算法與系統有關，Windows和Linux是不同的，也就是說，即便是隨機種子一樣，不同系統產生的隨機數也不一樣。
numpy.random 設置種子的方法有：
| 函數名稱 | 函數功能 | 參數說明 |
|---|---|---|
| RandomState | 定義種子類 | RandomState是一個種子類，提供了各種種子方法，最常用seed |
| seed([seed]) | 定義全局種子 | 參數為整數或者矩陣 |
代碼示例：
np.random.seed(1234) #設置隨機種子為1234
2. 簡單隨機數
| 函數名稱 | 函數功能 | 參數說明 |
|---|---|---|
| rand(d0, d1, …, dn) | 產生均勻分布的隨機數 | dn為第n維數據的維度 |
| randn(d0, d1, …, dn) | 產生標准正態分布隨機數 | dn為第n維數據的維度 |
| randint(low[, high, size, dtype]) | 產生隨機整數 | low：最小值；high：最大值；size：數據個數 |
| random_sample([size]) | 在[0,1）內產生隨機數 | size：隨機數的shape，可以為元祖或者列表，[2,3]表示2維隨機數，維度為（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]) | 從a中隨機選擇指定數據 | a：1維數組 size：返回數據形狀 |
| bytes(length) | 返回隨機位 | length：位的長度 |
代碼示例:
(1) np.random.rand(2,3) #產生2行三列均勻分布隨機數組 Out[7]: array([[ 0.35369993, 0.0086019 , 0.52609906], [ 0.31978928, 0.27069309, 0.21930115]]) (2）In [8]: np.random.randn(3,3) #三行三列正態分布隨機數據 Out[8]: array([[ 2.29864491, 0.52591291, -0.80812825], [ 0.37035029, -0.07191693, -0.76625886], [-1.264493 , 1.12006474, -0.45698648]]) (3）In [9]: np.random.randint(1,100,[5,5]) #(1,100）以內的5行5列隨機整數 Out[9]: array([[87, 69, 3, 86, 85], [13, 49, 59, 7, 31], [19, 96, 70, 10, 71], [91, 10, 52, 38, 49], [ 8, 21, 55, 96, 34]]) (4）In [10]: np.random.random(10) #(0,1）以內10個隨機浮點數 Out[10]: array([ 0.33846136, 0.06517708, 0.41138166, 0.34638839, 0.41977818, 0.37188863, 0.2508949 , 0.89923638, 0.51341298, 0.71233872]) (5）In [11]: np.random.choice(10) #[0,10)內隨機選擇一個數 Out[11]: 7
3. 分布
numpy.random模塊提供了產生各種分布隨機數的API：
| 函數名稱 | 函數功能 | 參數說明 |
|---|---|---|
| beta(a, b[, size]) | 貝塔分布樣本，在 [0, 1]內。 | |
| binomial(n, p[, size]) | 二項分布的樣本。 | |
| chisquare(df[, size]) | 卡方分布樣本。 | |
| dirichlet(alpha[, size]) | 狄利克雷分布樣本。 | |
| exponential([scale, size]) | 指數分布 | |
| f(dfnum, dfden[, size]) | F分布樣本。 | |
| gamma(shape[, scale, size]) | 伽馬分布 | |
| geometric(p[, size]) | 幾何分布 | |
| gumbel([loc, scale, size]) | 耿貝爾分布。 | |
| hypergeometric(ngood, nbad, nsample[, size]) | 超幾何分布樣本。 | |
| laplace([loc, scale, size]) | 拉普拉斯或雙指數分布樣本 | |
| logistic([loc, scale, size]) | Logistic分布樣本 | |
| lognormal([mean, sigma, size]) | 對數正態分布 | |
| logseries(p[, size]) | 對數級數分布。 | |
| multinomial(n, pvals[, size]) | 多項分布 | |
| multivariate_normal(mean, cov[, size]) | 多元正態分布。 | |
| negative_binomial(n, p[, size]) | 負二項分布 | |
| 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]) | 正態(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]) | 標准柯西分布 | |
| standard_exponential([size]) | 標准的指數分布 | |
| standard_gamma(shape[, size]) | 標准伽馬分布 | |
| standard_normal([size]) | 標准正態分布 (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]) | 均勻分布 | |
| vonmises(mu, kappa[, size]) | von Mises分布 | |
| wald(mean, scale[, size]) | 瓦爾德（逆高斯）分布 | |
| weibull(a[, size]) | Weibull 分布 | |
| zipf(a[, size]) | 齊普夫分布 |
代碼示例:
(1)正態分布 import numpy as np import matplotlib.pyplot as plt mu = 1 #期望為1 sigma = 3 #標准差為3 num = 10000 #個數為10000 rand_data = np.random.normal(mu, sigma, num) count, bins, ignored = plt.hist(rand_data, 30, normed=True) plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *np.exp( - (bins - mu)**2 / (2 * sigma**2)), linewidth=2, color='r') plt.show()
得到圖像：
4. 排列
| 函數名稱 | 函數功能 | 參數說明 |
|---|---|---|
| shuffle(x) | 打亂對象x（多維矩陣按照第一維打亂） | 矩陣或者列表 |
| permutation(x) | 打亂並返回該對象（多維矩陣按照第一維打亂） | 整數或者矩陣 |
代碼示例:
(1)正態分布 import numpy as np rand_data = np.random.randint(1, 10, (3, 4)) print(rand_data) np.random.shuffle(rand_data) print(rand_data) out： [[4 4 4 8] [5 6 8 2] [1 7 6 6]] [[4 4 4 8] [1 7 6 6] [5 6 8 2]] #按照行打亂了，也就是交換了行