数据分析中，数据的获取是第一步，numpy.random 模块提供了非常全的自动产生数据API，是学习数据分析的第一步。
总体来说，numpy.random模块分为四个部分，对应四种功能：
1. 简单随机数： 产生简单的随机数据，可以是任何维度
2. 排列：将所给对象随机排列
3. 分布：产生指定分布的数据，如高斯分布等
4. 生成器：种随机数种子，根据同一种子产生的随机数是相同的
以下是详细内容以及代码实例：（以下代码默认已导入numpy：import numpy as np ）
1. 生成器
电脑产生随机数需要明白以下几点：
（1）随机数是由随机种子根据一定的计算方法计算出来的数值。所以，只要计算方法一定，随机种子一定，那么产生的随机数就不会变。
（2）只要用户不设置随机种子，那么在默认情况下随机种子来自系统时钟（即定时/计数器的值）
（3）随机数产生的算法与系统有关，Windows和Linux是不同的，也就是说，即便是随机种子一样，不同系统产生的随机数也不一样。
numpy.random 设置种子的方法有：
| 函数名称 |
函数功能 |
参数说明 |
| RandomState |
定义种子类 |
RandomState是一个种子类，提供了各种种子方法，最常用seed |
| seed([seed]) |
定义全局种子 |
参数为整数或者矩阵 |
代码示例：
# =============================seed() 方法改变随机数生成器的种子，可以在调用其他随机模块函数之前调用此函数
np.random.seed()
print("默认种子生成随机数：", np.random.random())
np.random.seed(10)
print("整数种子生成随机数：", np.random.random())
np.random.seed(np.array("hello"))
print("字符串种子生成随机数：", np.random.random())
2. 简单随机数
| 函数名称 |
函数功能 |
参数说明 |
| rand(d0, d1, …, dn) |
产生均匀分布的随机数 |
dn为第n维数据的维度 |
| randn(d0, d1, …, dn) |
产生标准正态分布随机数 |
dn为第n维数据的维度 |
| randint(low[, high, size, dtype]) |
产生随机整数 |
low：最小值；high：最大值；size：数据个数 |
| random_sample([size]) |
在[0,1）内产生随机数 |
size：随机数的shape，可以为元祖或者列表，[2,3]表示2维随机数，维度为（2,3） |
| random([size]) |
同random_sample([size]) |
同random_sample([size]) |
| ranf([size]) |
同random_sample([size]) |
同random_sample([size]) |
| sample([size])) |
同random_sample([size]) |
同random_sample([size]) |
| choice(a[, size, replace, p]) |
从a中随机选择指定数据 |
a：1维数组 size：返回数据形状 |
| bytes(length) |
返回随机位 |
length：位的长度 |
代码示例
(1) np.random.rand(2,3) #产生2行三列均匀分布随机数组
Out[7]:
array([[ 0.35369993, 0.0086019 , 0.52609906],
[ 0.31978928, 0.27069309, 0.21930115]])
(2)In [8]: np.random.randn(3,3) #三行三列正态分布随机数据
Out[8]:
array([[ 2.29864491, 0.52591291, -0.80812825],
[ 0.37035029, -0.07191693, -0.76625886],
[-1.264493 , 1.12006474, -0.45698648]])
（3）In [9]: np.random.randint(1,100,[5,5]) #(1,100）以内的5行5列随机整数
Out[9]:
array([[87, 69, 3, 86, 85],
[13, 49, 59, 7, 31],
[19, 96, 70, 10, 71],
[91, 10, 52, 38, 49],
[ 8, 21, 55, 96, 34]])
（4）In [10]: np.random.random(10) #(0,1）以内10个随机浮点数
Out[10]:
array([ 0.33846136, 0.06517708, 0.41138166, 0.34638839, 0.41977818,
0.37188863, 0.2508949 , 0.89923638, 0.51341298, 0.71233872])
（5）In [11]: np.random.choice(10) #[0,10)内随机选择一个数
Out[11]: 7
3. 分布
numpy.random模块提供了产生各种分布随机数的API：
| 函数名称 |
函数功能 |
参数说明 |
| beta(a, b[, size]) |
贝塔分布样本，在 [0, 1]内。 |
|
| binomial(n, p[, size]) |
二项分布的样本。 |
|
| chisquare(df[, size]) |
卡方分布样本。 |
|
| dirichlet(alpha[, size]) |
狄利克雷分布样本。 |
|
| exponential([scale, size]) |
指数分布 |
|
| f(dfnum, dfden[, size]) |
F分布样本。 |
|
| gamma(shape[, scale, size]) |
伽马分布 |
|
| geometric(p[, size]) |
几何分布 |
|
| gumbel([loc, scale, size]) |
耿贝尔分布。 |
|
| hypergeometric(ngood, nbad, nsample[, size]) |
超几何分布样本。 |
|
| laplace([loc, scale, size]) |
拉普拉斯或双指数分布样本 |
|
| logistic([loc, scale, size]) |
Logistic分布样本 |
|
| lognormal([mean, sigma, size]) |
对数正态分布 |
|
| logseries(p[, size]) |
对数级数分布。 |
|
| multinomial(n, pvals[, size]) |
多项分布 |
|
| multivariate_normal(mean, cov[, size]) |
多元正态分布。 |
|
| negative_binomial(n, p[, size]) |
负二项分布 |
|
| noncentral_chisquare(df, nonc[, size]) |
非中心卡方分布 |
|
| noncentral_f(dfnum, dfden, nonc[, size]) |
非中心F分布 |
|
| normal([loc, scale, size]) |
正态(高斯)分布 |
|
| pareto(a[, size]) |
帕累托（Lomax）分布 |
|
| poisson([lam, size]) |
泊松分布 |
|
| power(a[, size]) |
Draws samples in [0, 1] from a power distribution with positive exponent a - 1. |
|
| rayleigh([scale, size]) |
Rayleigh 分布 |
|
| standard_cauchy([size]) |
标准柯西分布 |
|
| standard_exponential([size]) |
标准的指数分布 |
|
| standard_gamma(shape[, size]) |
标准伽马分布 |
|
| standard_normal([size]) |
标准正态分布 (mean=0, stdev=1). |
|
| standard_t(df[, size]) |
Standard Student’s t distribution with df degrees of freedom. |
|
| triangular(left, mode, right[, size]) |
三角形分布 |
|
| uniform([low, high, size]) |
均匀分布 |
|
| vonmises(mu, kappa[, size]) |
von Mises分布 |
|
| wald(mean, scale[, size]) |
瓦尔德（逆高斯）分布 |
|
| weibull(a[, size]) |
Weibull 分布 |
|
| zipf(a[, size]) |
齐普夫分布 |
|
代码示例
# ===================================binomial产生二项分布随机数
# n为实验次数 ； p为概率 ; size为产生随机数的个数
bino = np.random.binomial(n=10, p=0.3, size=2)
print(bino)
# ====================================normal()正太分布随机数
# loc:样本均值 ； scale:样本标准差 ； size:产生随机数的个数
nor = np.random.normal(loc=0.5, scale=0.8, size=4)
print(nor)
# =====================================beta()beta分布随机数
# a:Alpha ; b:beta ; size:产生随机数的个数
bet = np.random.beta(a=1, b=1, size=5)
print(bet)
# #
# ======================================chisquare()卡方分布随机数
# df:自由度
chis = np.random.chisquare(df=0.5, size=4)
print(chis)
# =======================================gamma()伽马分布随机数
# shape:gamma分布形状，应大于0 ； scale：gamma分布的规模，应大于0，默认为1
gamm = np.random.gamma(shape=1, scale=1, size=3)
print(gamm)
# ========================================uniform()产生（0,1]之间的均匀分布
unf = np.random.uniform(low=1, high=5, size=4)
print(unf)
4. 排列
| 函数名称 |
函数功能 |
参数说明 |
| shuffle(x) |
打乱对象x（多维矩阵按照第一维打乱） |
矩阵或者列表 |
| permutation(x) |
打乱并返回该对象（多维矩阵按照第一维打乱） |
整数或者矩阵 |
代码示例
# ================================permutation 返回序列的随机排列 或 随机排列的范围
range_per = np.random.permutation([1, 2, 3, 4, 5, 6])
print(range_per)
# =================================shuffle对一个序列进行随机排序（仅列表支持）
shuf = [1, 2, 3]
# shuf = (1, 2, 3) # error
# shuf = {"a": 1, "b":2} # error
# shuf = set(shuf) # error
np.random.shuffle(shuf)
print(shuf)