这期内容当中小编将会给大家带来有关为什么会用不好Numpy的random函数，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。
在python数据分析的学习和应用过程中，经常需要用到numpy的随机函数，由于随机函数random的功能比较多，经常会混淆或记不住，下面我们一起来汇总学习下。
1. import numpy as np
1 numpy.random.rand()
numpy.random.rand(d0,d1,...,dn)
rand函数根据给定维度生成[0,1)之间的数据，包含0，不包含1
dn表格每个维度
返回值为指定维度的array
1. np.random.rand(4,2)
1. array([[ 0.02173903, 0.44376568],
2. [ 0.25309942, 0.85259262],
3. [ 0.56465709, 0.95135013],
4. [ 0.14145746, 0.55389458]])
1. np.random.rand(4,3,2) # shape: 4*3*2
1. array([[[ 0.08256277, 0.11408276],
2. [ 0.11182496, 0.51452019],
3. [ 0.09731856, 0.18279204]],
4.
5. [[ 0.74637005, 0.76065562],
6. [ 0.32060311, 0.69410458],
7. [ 0.28890543, 0.68532579]],
8.
9. [[ 0.72110169, 0.52517524],
10. [ 0.32876607, 0.66632414],
11. [ 0.45762399, 0.49176764]],
12.
13. [[ 0.73886671, 0.81877121],
14. [ 0.03984658, 0.99454548],
15. [ 0.18205926, 0.99637823]]])
2 numpy.random.randn()
numpy.random.randn(d0,d1,...,dn)
randn函数返回一个或一组样本，具有标准正态分布。
dn表格每个维度
返回值为指定维度的array
1. np.random.randn() # 当没有参数时，返回单个数据
1. -1.1241580894939212
1. np.random.randn(2,4)
1. array([[ 0.27795239, -2.57882503, 0.3817649 , 1.42367345],
2. [-1.16724625, -0.22408299, 0.63006614, -0.41714538]])
1. np.random.randn(4,3,2)
1. array([[[ 1.27820764, 0.92479163],
2. [-0.15151257, 1.3428253 ],
3. [-1.30948998, 0.15493686]],
4.
5. [[-1.49645411, -0.27724089],
6. [ 0.71590275, 0.81377671],
7. [-0.71833341, 1.61637676]],
8.
9. [[ 0.52486563, -1.7345101 ],
10. [ 1.24456943, -0.10902915],
11. [ 1.27292735, -0.00926068]],
12.
13. [[ 0.88303 , 0.46116413],
14. [ 0.13305507, 2.44968809],
15. [-0.73132153, -0.88586716]]])
标准正态分布介绍
标准正态分布---standard normal distribution
标准正态分布又称为u分布，是以0为均值、以1为标准差的正态分布，记为N（0，1）。
3 numpy.random.randint()
3.1 numpy.random.randint()
numpy.random.randint(low, high=None, size=None, dtype='l')
返回随机整数，范围区间为[low,high），包含low，不包含high
参数：low为最小值，high为大值，size为数组维度大小，dtype为数据类型，默认的数据类型是np.int
high没有填写时，默认生成随机数的范围是[0，low)
1. np.random.randint(1,size=5) # 返回[0,1)之间的整数，所以只有0
1. array([0, 0, 0, 0, 0])
1. np.random.randint(1,5) # 返回1个[1,5)时间的随机整数
1. 4
1. np.random.randint(-5,5,size=(2,2))
1. array([[ 2, -1],
2. [ 2, 0]])
3.2 numpy.random.random_integers
numpy.random.random_integers(low, high=None, size=None)
返回随机整数，范围区间为[low,high]，包含low和high
参数：low为最小值，high为大值，size为数组维度大小
high没有填写时，默认生成随机数的范围是[1，low]
该函数在最新的numpy版本中已被替代，建议使用randint函数
1. np.random.random_integers(1,size=5)
1. array([1, 1, 1, 1, 1])
4 生成[0,1)之间的浮点数
numpy.random.random_sample(size=None)
numpy.random.random(size=None)
numpy.random.ranf(size=None)
numpy.random.sample(size=None)
1. print('-----------random_sample--------------')
2. print(np.random.random_sample(size=(2,2)))
3. print('-----------random--------------')
4. print(np.random.random(size=(2,2)))
5. print('-----------ranf--------------')
6. print(np.random.ranf(size=(2,2)))
7. print('-----------sample--------------')
8. print(np.random.sample(size=(2,2)))
1. -----------random_sample--------------
2. [[ 0.34966859 0.85655008]
3. [ 0.16045328 0.87908218]]
4. -----------random--------------
5. [[ 0.25303772 0.45417512]
6. [ 0.76053763 0.12454433]]
7. -----------ranf--------------
8. [[ 0.0379055 0.51288667]
9. [ 0.71819639 0.97292903]]
10. -----------sample--------------
11. [[ 0.59942807 0.80211491]
12. [ 0.36233939 0.12607092]]
5 numpy.random.choice()
numpy.random.choice(a, size=None, replace=True, p=None)
从给定的一维数组中生成随机数
参数： a为一维数组类似数据或整数；size为数组维度；p为数组中的数据出现的概率
a为整数时，对应的一维数组为np.arange(a)
1. np.random.choice(5,3)
1. array([4, 1, 4])
1. np.random.choice(5, 3, replace=False)
2. # 当replace为False时，生成的随机数不能有重复的数值
1. array([0, 3, 1])
1. np.random.choice(5,size=(3,2))
1. array([[1, 0],
2. [4, 2],
3. [3, 3]])
1. demo_list = ['lenovo', 'sansumg','moto','xiaomi', 'iphone']
2. np.random.choice(demo_list,size=(3,3))
1. array([['moto', 'iphone', 'xiaomi'],
2. ['lenovo', 'xiaomi', 'xiaomi'],
3. ['xiaomi', 'lenovo', 'iphone']],
4. dtype=' 参数p的长度与参数a的长度需要一致； 参数p为概率，p里的数据之和应为1 1. demo_list
= ['lenovo', 'sansumg','moto','xiaomi', 'iphone'] 2. np.random.choice(demo_list,size=(3,3), p=[0.1,0.6,0.1,0.1,0.1]) 1. array([['sansumg', 'sansumg', 'sansumg'], 2. ['sansumg', 'sansumg', 'sansumg'], 3. ['sansumg', 'xiaomi', 'iphone']], 4. dtype=' 6
numpy.random.seed() np.random.seed()的作用：使得随机数据可预测。 当我们设置相同的seed，每次生成的随机数相同。如果不设置seed，则每次会生成不同的随机数 1. np.random.seed(0) 2. np.random.rand(5) 1. array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ]) 1. np.random.seed(1676) 2. np.random.rand(5) 1. array([ 0.39983389, 0.29426895, 0.89541728, 0.71807369, 0.3531823 ]) 1. np.random.seed(1676) 2. np.random.rand(5) 1. array([ 0.39983389, 0.29426895, 0.89541728, 0.71807369, 0.3531823 ]) 上述就是小编为大家分享的为什么会用不好Numpy的random函数了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注创新互联-成都网站建设公司行业资讯频道。
当前文章：为什么会用不好Numpy的random函数-创新互联
网页地址：http://kswsj.cn/article/djdhcc.html
