如何正确的使用numpy.random模块

今天就跟大家聊聊有关如何正确的使用numpy.random模块，可能很多人都不太了解，为了让大家更加了解，小编给大家总结了以下内容，希望大家根据这篇文章可以有所收获。

random模块用于生成随机数，下面看看模块中一些常用函数的用法：

from numpy import random

numpy.random.uniform(low=0.0, high=1.0, size=None)

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 ]])

numpy.random.rand(d0, d1, ..., dn)

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]]])

numpy.random.randint(low, high=None, size=None, dtype='I')

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)

numpy.random.random_integers(low, high=None, size=None)

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.randint(8) >>> 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)

numpy.random.random(size=None)

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)

 numpy.random.bytes(length)

 生成随机字节

>>> random.bytes(1) b'%' >>> random.bytes(2) b'\xd0\xc3'

numpy.random.choice(a, size=None, replace=True, p=None)

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]]])

numpy.random.permutation(x)

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]])

numpy.random.shuffle(x)

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])

numpy.random.seed(seed=None)

设置随机生成算法的初始值

其它符合函数分布的随机数函数

• 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

看完上述内容，你们对如何正确的使用numpy.random模块有进一步的了解吗？如果还想了解更多知识或者相关内容，请关注亿速云行业资讯频道，感谢大家的支持。