这篇文章给大家分享的是有关numpy.random的示例分析的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。
为通州等地区用户提供了全套网页设计制作服务，及通州网站建设行业解决方案。主营业务为网站设计制作、成都网站制作、通州网站设计，以传统方式定制建设网站，并提供域名空间备案等一条龙服务，秉承以专业、用心的态度为用户提供真诚的服务。我们深信只要达到每一位用户的要求，就会得到认可，从而选择与我们长期合作。这样，我们也可以走得更远！
from numpy import random
生出size个符合均分布的浮点数，取值范围为[low, high)，默认取值范围为[0, 1.0)
>>> random.uniform() 0.3999807403689315 >>> random.uniform(size=1) array([0.55950578]) >>> random.uniform(5, 6) 5.293682668235986 >>> random.uniform(5, 6, size=(2,3)) array([[5.82416021, 5.68916836, 5.89708586], [5.63843125, 5.22963754, 5.4319899 ]])
生成一个(d0, d1, ..., dn)维的数组，数组的元素取自[0, 1)上的均分布，若没有参数输入，则生成一个数
>>> random.rand() 0.4378166124207712 >>> random.rand(1) array([0.69845956]) >>> random.rand(3,2) array([[0.15725424, 0.45786148], [0.63133098, 0.81789056], [0.40032941, 0.19108526]]) >>> random.rand(3,2,1) array([[[0.00404447], [0.3837963 ]], [[0.32518355], [0.82482599]], [[0.79603205], [0.19087375]]])
生成size个整数，取值区间为[low, high)，若没有输入参数high则取值区间为[0, low)
>>> random.randint(8) 5 >>> random.randint(8, size=1) array([1]) >>> random.randint(8, size=(2,2,3)) array([[[4, 7, 0], [1, 4, 1]], [[2, 2, 5], [7, 6, 4]]]) >>> random.randint(8, size=(2,2,3), dtype='int64') array([[[5, 5, 6], [2, 7, 2]], [[2, 7, 6], [4, 7, 7]]], dtype=int64)
生成size个整数，取值区间为[low, high], 若没有输入参数high则取值区间为[1, low]，注意这里左右都是闭区间
>>> random.random_integers(5) 1 >>> random.random_integers(5, size=1) array([2]) >>> random.random_integers(4, 5, size=(2,2)) array([[5, 4], [4, 4]])
产生[0.0, 1.0)之间的浮点数
>>> random.random(5) array([0.94128141, 0.98725499, 0.48435957, 0.90948135, 0.40570882]) >>> random.random() 0.49761416226728084
相同用法：
numpy.random.random_sample
numpy.random.ranf
numpy.random.sample (抽取不重复)
生成随机字节
>>> random.bytes(1) b'%' >>> random.bytes(2) b'\xd0\xc3'
从a（数组）中选取size（维度）大小的随机数，replace=True表示可重复抽取，p是a中每个数出现的概率
若a是整数，则a代表的数组是arange(a)
>>> random.choice(5) 3 >>> random.choice([0.2, 0.4]) 0.2 >>> random.choice([0.2, 0.4], p=[1, 0]) 0.2 >>> random.choice([0.2, 0.4], p=[0, 1]) 0.4 >>> random.choice(5, 5) array([1, 2, 4, 2, 4]) >>> random.choice(5, 5, False) array([2, 0, 1, 4, 3]) >>> random.choice(100, (2, 3, 5), False) array([[[43, 81, 48, 2, 8], [33, 79, 30, 24, 83], [ 3, 82, 97, 49, 98]], [[32, 12, 15, 0, 96], [19, 61, 6, 42, 60], [ 7, 93, 20, 18, 58]]])
随机打乱x中的元素。若x是整数，则打乱arange(x)，若x是一个数组，则将copy(x)的第一位索引打乱，意思是先复制x，对副本进行打乱处理，打乱只针对数组的第一维
>>> random.permutation(5) array([1, 2, 3, 0, 4]) >>> random.permutation(5) array([1, 4, 3, 2, 0]) >>> random.permutation([[1,2,3],[4,5,6]]) array([[1, 2, 3], [4, 5, 6]]) >>> random.permutation([[1,2,3],[4,5,6]]) array([[4, 5, 6], [1, 2, 3]])
与permutation类似，随机打乱x中的元素。若x是整数，则打乱arange(x). 但是shuffle会对x进行修改
>>> a = arange(5) >>> a array([0, 1, 2, 3, 4]) >>> random.permutation(a) array([1, 4, 3, 2, 0]) >>> a array([0, 1, 2, 3, 4]) >>> random.shuffle(a) >>> a array([4, 1, 3, 2, 0])
设置随机生成算法的初始值
numpy.random.beta
numpy.random.binomial
numpy.random.chisquare
numpy.random.dirichlet
numpy.random.exponential
numpy.random.f
numpy.random.gamma
numpy.random.geometric
numpy.random.gumbel
numpy.random.hypergeometric
numpy.random.laplace
numpy.random.logistic
numpy.random.lognormal
numpy.random.logseries
numpy.random.multinomial
numpy.random.multivariate_normal
numpy.random.negative_binomial
numpy.random.noncentral_chisquare
numpy.random.noncentral_f
numpy.random.normal
numpy.random.pareto
numpy.random.poisson
numpy.random.power
numpy.random.randn
numpy.random.rayleigh
numpy.random.standard_cauchy
numpy.random.standard_exponential
numpy.random.standard_gamma
numpy.random.standard_normal
numpy.random.standard_t
numpy.random.triangular
numpy.random.vonmises
numpy.random.wald
numpy.random.weibull
numpy.random.zipf
感谢各位的阅读！关于“numpy.random的示例分析”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！
