原文转载于:https://blog.csdn.net/akadiao/article/details/78252840
numpy中利用random类获取随机数．
numpy.random.random() 生成随机浮点数
默认为生成一个随机的浮点数，范围是在0.0~1.0之间，也可以通过参数size设置返回数据的size;
生成一个随机的浮点数:
import numpy
n = numpy.random.random()
print n- 1
- 2
- 3
输出：
0.429489486421- 1
设置参数size:
import numpy
n = numpy.random.random(size=(3, 2))
print n- 1
- 2
- 3
输出：
[[ 0.32018625 0.22410508]
[ 0.57830333 0.74477335]
[ 0.08333105 0.48533304]]- 1
- 2
- 3
numpy.random.randint() 产生随机整数
API: randint(low, high=None, size=None, dtype=’l’)
numpy.random.randint()随机生一个整数int类型，可以指定这个整数的范围
import numpy as np
print np.random.randint(8)
print np.random.randint(5, size=3)
print np.random.randint(6, size=(3,2))- 1
- 2
- 3
- 4
输出：
4
[1 1 3]
[[2 4]
[5 4]
[3 0]]- 1
- 2
- 3
- 4
- 5
指定范围：
import numpy as np
print np.random.randint(low=5, high=10, size=3)- 1
- 2
输出：
[7 5 5]- 1
numpy.random.normal() 高斯分布随机数
API: normal(loc=0.0, scale=1.0, size=None)
loc：均值，scale：标准差，size：抽取样本的size
import numpy
n = numpy.random.normal(loc=0.0, scale=1, size=(2, 3))
print n- 1
- 2
- 3
输出：
[[-0.15040995 -0.43780718 -0.22292445]
[-0.89388124 -0.39465164 0.24113838]]- 1
- 2
numpy.random.randn() 标准正态分布随机数
numpy.random.randn(d0, d1, …, dn)函数：
从标准正态分布中返回一个(d0*d1* …* dn)维样本值
例1：
import numpy as np
print np.random.randn(4, 2)- 1
- 2
输出：
[[-1.88753851 -2.54412195]
[ 0.51856343 -1.07733711]
[ 1.05820592 -0.23889217]
[ 0.73309062 0.42152066]]- 1
- 2
- 3
- 4
例2：
import numpy as np
print np.random.randn(4, 2, 3)- 1
- 2
输出：
[[[-1.00477835 1.16919912 -1.28299362]
[ 0.0645336 0.19143397 -0.16957401]]
[[-1.45250491 -0.51844037 -0.01241654]
[ 0.41427599 0.19469926 -0.92450654]]
[[-1.90133606 1.23554382 -1.37775698]
[-0.98110245 0.3562373 -0.27816068]]
[[ 1.0380202 0.24293181 0.5341542 ]
[-0.62945999 1.62233629 -0.07299065]]]- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
numpy.random.rand() 生成[0, 1)间随机数
numpy.random.rand(d0, d1, …, dn)函数：
生成一个(d0*d1* …* dn)维位于[0, 1)中随机样本
例：
import numpy as np
print np.random.rand(2,3)- 1
- 2
输出：
[[ 0.06112299 0.02476706 0.04235452]
[ 0.47891264 0.68831817 0.31309659]]- 1
- 2
numpy.random.shuffle() 随机打乱序列
numpy.random.shuffle() 将序列的所有元素随机排序
<传入参数可以是一个序列或者元组>
import numpy as np
x = range(0, 8, 1)
print x
np.random.shuffle(x)
print x- 1
- 2
- 3
- 4
- 5
输出：
[0, 1, 2, 3, 4, 5, 6, 7]
[2, 3, 5, 4, 1, 7, 0, 6]- 1
- 2
- 3
numpy.random.choice() 随机选取序列的一个元素
numpy.random.choice()可以从序列(字符串、列表、元组等)中随机选取，返回一个列表，元组或字符串的随机项。
import numpy as np
print np.random.choice(['a','b','c','d','e'])- 1
- 2
输出：
c- 1
print np.random.choice(5, 6)- 1
输出（6个小于5的元素）：
[2 3 3 3 1 2]- 1
p:每个条目出现的概率。如果没有，假设样本在A中的所有条目都具有均匀分布。
import numpy as np
print np.random.choice(5, 3, p=[0.1, 0, 0.3, 0.6, 0])- 1
- 2
（p=[0.1, 0, 0.3, 0.6, 0]即出现0 1 2 3 4的概率分别是[0.1, 0, 0.3, 0.6, 0]）
输出：
[0 3 2]- 1
import numpy as np
ss = ['pooh', 'rabbit', 'piglet', 'Christopher']
print np.random.choice(ss, 5, p=[0.5, 0.1, 0.1, 0.3])- 1
- 2
- 3
输出：
['Christopher' 'piglet' 'pooh' 'piglet' 'Christopher']- 1
numpy.random.binomial() 二项分布采样
numpy.random.RandomState.binomial(n, p, size=None)表示对一个二项分布进行采样,s为成功次数
P(N)=CsnPs(1−P)n−s P(N)=CnsPs(1−P)n−s
size:采样的次数,n p即式中的n p;函数的返回值表示n中发生/成功的次数s.
如：当n=5,p=0.2,size=1000，即5个事件每个发生的概率为0.2，则5个同时发生的概率，采样size=1000次：
P(p=0.2)=C55p5(1−p)0=0.32 P(p=0.2)=C55p5(1−p)0=0.32
import numpy as np
print sum(np.random.binomial(5, 0.2, size=10000)==0)/10000.- 1
- 2
可得：
0.3246- 1
很接近手动计算结果．
numpy.random.RandomState() 指定种子值
numpy.random.RandomState()指定种子值（指定种子值是为了使同样的条件下每次产生的随机数一样，避免程序调试时由随机数不同而引起的问题）
如不设置种子值时,np.random.randint(8)可能产生0-7内的任意整数，且每次产生的数字可能是任意一种．
而设置种子值后,np.random.RandomState(0).randint(8)可能产生0-7内的任意整数，但种子值不变时每次运行程序产生的数字一样．
产生随机整数：
import numpy as np
print np.random.RandomState(0).randint(8)- 1
- 2
输出：
4- 1
生成随机浮点数：
import numpy
n1 = numpy.random.RandomState(0).random_sample()
n2 = numpy.random.RandomState(0).random_sample(size=(2,3))
print n1,n2- 1
- 2
- 3
- 4
输出：
0.548813503927
[[ 0.5488135 0.71518937 0.60276338]
[ 0.54488318 0.4236548 0.64589411]]