在python數據分析的學習和應用過程中，經常需要用到numpy的隨機函數，由於隨機函數random的功能比較多，經常會混淆或記不住，下面我們一起來匯總學習下。

import numpy as np

1 numpy.random.rand()

numpy.random.rand(d0,d1,…,dn)

• rand函數根據給定維度生成[0,1)之間的數據，包含0，不包含1
• dn表格每個維度
• 返回值為指定維度的array

np.random.rand(4,2)

array([[ 0.02173903,  0.44376568],
       [ 0.25309942,  0.85259262],
       [ 0.56465709,  0.95135013],
       [ 0.14145746,  0.55389458]])
 

np.random.rand(4,3,2) # shape: 4*3*2

array([[[ 0.08256277,  0.11408276],
        [ 0.11182496,  0.51452019],
        [ 0.09731856,  0.18279204]],

       [[ 0.74637005,  0.76065562],
        [ 0.32060311,  0.69410458],
        [ 0.28890543,  0.68532579]],

       [[ 0.72110169,  0.52517524],
        [ 0.32876607,  0.66632414],
        [ 0.45762399,  0.49176764]],

       [[ 0.73886671,  0.81877121],
        [ 0.03984658,  0.99454548],
        [ 0.18205926,  0.99637823]]])
 

2 numpy.random.randn()

numpy.random.randn(d0,d1,…,dn)

• randn函數返回一個或一組樣本，具有標準正態分布。
• dn表格每個維度
• 返回值為指定維度的array

np.random.randn() # 當沒有參數時，返回單個數據

-1.1241580894939212

np.random.randn(2,4)

array([[ 0.27795239, -2.57882503,  0.3817649 ,  1.42367345],
       [-1.16724625, -0.22408299,  0.63006614, -0.41714538]])

np.random.randn(4,3,2)
 

array([[[ 1.27820764,  0.92479163],
        [-0.15151257,  1.3428253 ],
        [-1.30948998,  0.15493686]],

       [[-1.49645411, -0.27724089],
        [ 0.71590275,  0.81377671],
        [-0.71833341,  1.61637676]],

       [[ 0.52486563, -1.7345101 ],
        [ 1.24456943, -0.10902915],
        [ 1.27292735, -0.00926068]],

       [[ 0.88303   ,  0.46116413],
        [ 0.13305507,  2.44968809],
        [-0.73132153, -0.88586716]]])

標準正態分布介紹

• 標準正態分布—-standard normal distribution
• 標準正態分布又稱為u分布，是以0為均值、以1為標準差的正態分布，記為N（0，1）。

3 numpy.random.randint()

3.1 numpy.random.randint()

numpy.random.randint(low, high=None, size=None, dtype=’l’)

• 返回隨機整數，範圍區間為[low,high），包含low，不包含high
• 參數：low為最小值，high為最大值，size為數組維度大小，dtype為數據類型，默認的數據類型是np.int
• high沒有填寫時，默認生成隨機數的範圍是[0，low)

np.random.randint(1,size=5) # 返回[0,1)之間的整數，所以只有0

array([0, 0, 0, 0, 0])

np.random.randint(1,5) # 返回1個[1,5)時間的隨機整數

4

np.random.randint(-5,5,size=(2,2))

array([[ 2, -1],
       [ 2,  0]])

3.2 numpy.random.random_integers

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

• 返回隨機整數，範圍區間為[low,high]，包含low和high
• 參數：low為最小值，high為最大值，size為數組維度大小
• high沒有填寫時，默認生成隨機數的範圍是[1，low]

該函數在最新的numpy版本中已被替代，建議使用randint函數

np.random.random_integers(1,size=5)

array([1, 1, 1, 1, 1])

4 生成[0,1)之間的浮點數

• numpy.random.random_sample(size=None)
• numpy.random.random(size=None)
• numpy.random.ranf(size=None)
• numpy.random.sample(size=None)

print(‘-----------random_sample--------------‘)
print(np.random.random_sample(size=(2,2)))
print(‘-----------random--------------‘)
print(np.random.random(size=(2,2)))
print(‘-----------ranf--------------‘)
print(np.random.ranf(size=(2,2)))
print(‘-----------sample--------------‘)
print(np.random.sample(size=(2,2)))

-----------random_sample--------------
[[ 0.34966859  0.85655008]
 [ 0.16045328  0.87908218]]
-----------random--------------
[[ 0.25303772  0.45417512]
 [ 0.76053763  0.12454433]]
-----------ranf--------------
[[ 0.0379055   0.51288667]
 [ 0.71819639  0.97292903]]
-----------sample--------------
[[ 0.59942807  0.80211491]
 [ 0.36233939  0.12607092]]

5 numpy.random.choice()

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

• 從給定的一維數組中生成隨機數
• 參數： a為一維數組類似數據或整數；size為數組維度；p為數組中的數據出現的概率
• a為整數時，對應的一維數組為np.arange(a)

np.random.choice(5,3)

array([4, 1, 4])

np.random.choice(5, 3, replace=False)
# 當replace為False時，生成的隨機數不能有重復的數值

array([0, 3, 1])

np.random.choice(5,size=(3,2))

array([[1, 0],
       [4, 2],
       [3, 3]])

demo_list = [‘lenovo‘, ‘sansumg‘,‘moto‘,‘xiaomi‘, ‘iphone‘]
np.random.choice(demo_list,size=(3,3))

array([[‘moto‘, ‘iphone‘, ‘xiaomi‘],
       [‘lenovo‘, ‘xiaomi‘, ‘xiaomi‘],
       [‘xiaomi‘, ‘lenovo‘, ‘iphone‘]],
      dtype=‘<U7‘)

• 參數p的長度與參數a的長度需要一致；
• 參數p為概率，p裏的數據之和應為1

demo_list = [‘lenovo‘, ‘sansumg‘,‘moto‘,‘xiaomi‘, ‘iphone‘]
np.random.choice(demo_list,size=(3,3), p=[0.1,0.6,0.1,0.1,0.1])

array([[‘sansumg‘, ‘sansumg‘, ‘sansumg‘],
       [‘sansumg‘, ‘sansumg‘, ‘sansumg‘],
       [‘sansumg‘, ‘xiaomi‘, ‘iphone‘]],
      dtype=‘<U7‘)

6 numpy.random.seed()

• np.random.seed()的作用：使得隨機數據可預測。
• 當我們設置相同的seed，每次生成的隨機數相同。如果不設置seed，則每次會生成不同的隨機數

np.random.seed(0)
np.random.rand(5)

array([ 0.5488135 ,  0.71518937,  0.60276338,  0.54488318,  0.4236548 ])

np.random.seed(1676)
np.random.rand(5)

array([ 0.39983389,  0.29426895,  0.89541728,  0.71807369,  0.3531823 ])

np.random.seed(1676)
np.random.rand(5)

array([ 0.39983389,  0.29426895,  0.89541728,  0.71807369,  0.3531823 ])    




作者：Lemon 
出處：個人微信公眾號：“Python數據之道”（ID：PyDataRoad）和博客園：http://www.cnblogs.com/lemonbit/ 
本文版權歸作者所有，歡迎轉載，但未經作者同意必須保留此段聲明，且在文章頁面明顯位置給出原文出處，否則保留追究法律責任的權利。

numpy.random