Numpy 随机数

numpy.random包含多种概率分布的随机样本，是数据分析辅助的重点工具之一。

1.生成标准正态分布

# 随机数生成

samples = np.random.normal(size=(4,4))
print(samples)
# 生成一个标准正态分布的4*4样本值 

运行结果：

[[ 1.39503381e+00 -8.78976381e-01 -3.91561368e-01  1.53535114e+00]
 [ 2.42761416e-01 -9.14683577e-01  5.31498034e-01 -5.34133555e-01]
 [-8.23769059e-01  9.67241954e-01  1.32559619e+00 -5.99931949e-04]
 [ 1.16256260e+00  1.68124375e+00 -1.14891175e-01  2.29245845e+00]]

2.生成一个[0,1)之间的随机浮点数或N维浮点数组 —— 均匀分布

# numpy.random.rand(d0, d1, ..., dn)：生成一个[0,1)之间的随机浮点数或N维浮点数组 —— 均匀分布
import matplotlib.pyplot as plt  # 导入matplotlib模块，用于图表辅助分析
% matplotlib inline 
# 魔法函数，每次运行自动生成图表

a = np.random.rand()
print(a,type(a))  # 生成一个随机浮点数

b = np.random.rand(4)
print(b,type(b))  # 生成形状为                                                                                 

c = np.random.rand(2,3)
print(c,type(c))  # 生成形状为2*3的二维数组，注意这里不是((2,3))

samples1 = np.random.rand(1000)
samples2 = np.random.rand(1000)
plt.scatter(samples1,samples2)
# 生成1000个均匀分布的样本值

运行结果：

0.45885369494340966 <class 'float'>
[0.69046696 0.15681846 0.72039881 0.92133037] <class 'numpy.ndarray'>
[[0.06343286 0.53977786 0.50854073]
 [0.14302969 0.49934197 0.27444025]] <class 'numpy.ndarray'>

3.numpy.random.randn(d0, d1, ..., dn)：生成一个浮点数或N维浮点数组 —— 正态分布

samples1 = np.random.randn(1000)
samples2 = np.random.randn(1000)
plt.scatter(samples1,samples2)
# randn和rand的参数用法一样
# 生成1000个正太的样本值

4. 随机生成一个整数

# numpy.random.randint(low, high=None, size=None, dtype='l')：生成一个整数或N维整数数组
# 若high不为None时，取[low,high)之间随机整数，否则取值[0,low)之间随机整数，且high必须大于low 
# dtype参数：只能是int类型  

print(np.random.randint(2))
# low=2：生成1个[0,2)之间随机整数  

print(np.random.randint(2,size=5))
# low=2,size=5 ：生成5个[0,2)之间随机整数

print(np.random.randint(2,6,size=5))
# low=2,high=6,size=5：生成5个[2,6)之间随机整数  

print(np.random.randint(2,size=(2,3)))
# low=2,size=(2,3)：生成一个2x3整数数组,取数范围：[0,2)随机整数 

print(np.random.randint(2,6,(2,3)))
# low=2,high=6,size=(2,3)：生成一个2*3整数数组,取值范围：[2,6)随机整数  

运行结果：

1
[1 0 0 0 1]
[2 5 3 5 5]
[[0 0 0]
 [0 0 1]]
[[5 2 3]
 [2 5 3]]

5.使程序每次运行生成的随机数是相同的——随机数种子

# 随机种子
# 计算机实现的随机数生成通常为伪随机数生成器，为了使得具备随机性的代码最终的结果可复现，需要设置相同的种子值

rng = np.random.RandomState(1)  #1为种子，种子不一样，生成的随机数也不一样，但是对每个种子来说，每次运行所生成的随机数是相同的
xtrain = 10 * rng.rand(30)
ytrain = 8 + 4 * xtrain + rng.rand(30)
# np.random.RandomState → 随机数种子，对于一个随机数发生器，只要该种子（seed）相同，产生的随机数序列就是相同的
# 生成随机数据x与y
# 样本关系：y = 8 + 4*x

fig = plt.figure(figsize =(12,3))
ax1 = fig.add_subplot(1,2,1)
plt.scatter(xtrain,ytrain,marker = '.',color = 'k')
plt.grid()
plt.title('样本数据散点图')
# 生成散点图

测试：

import numpy as np
rng2 = np.random.RandomState(1)
rng2.randn(3,2)

运行：

array([[ 1.62434536, -0.61175641],
       [-0.52817175, -1.07296862],
       [ 0.86540763, -2.3015387 ]])

练习1：

请按照要求创建数组ar，再将ar[:2,:2]的值改为[0,1)的随机数

import numpy as np

ar = np.arange(25.0).reshape(5,5)
print(ar)
ar[:2,:2] = np.random.rand(2,2)
print(ar)

运行结果：

[[ 0.83651399  0.69131755  2.          3.          4.        ]
 [ 0.78268105  0.242201    7.          8.          9.        ]
 [10.         11.         12.         13.         14.        ]
 [15.         16.         17.         18.         19.        ]
 [20.         21.         22.         23.         24.        ]]