Numpy 的隨機抽樣功能非常強大，主要由 random 模組完成。

首先，我們需要了解如何使用 numpy 也就是生成一些滿足基本需求的隨機資料。主要由以下一些方法完成：

rand

random.rand(d0, d1, ..., dn) 方法的作用為：指定一個數組，並使用 [0, 1) 區間隨機資料填充，這些資料均勻分佈。

In [35]: import numpy as np

In [36]: np.random.rand(2,5)
Out[36]:
array([[ 0.95477626,  0.86310048,  0.52210115,  0.31657882,  0.51388808],
       [
 
 0.96081154,  0.92429155,  0.91556681,  0.58216029,  0.79541621]])

In [37]: np.random.rand(2,5)
Out[37]:
array([[ 0.21338028,  0.64965883,  0.66134919,  0.59493323,  0.7210417 ],
       [ 0.03028672,  0.57322996,  0.55750938,  0.21010241,  0.70697314]])

randn

random.randn(d0, d1, ..., dn) 與 random.rand(d0, d1, ..., dn) 的區別在於，返回的隨機資料符合標準正太分佈。

In [38]: import numpy as np

In [39]: np.random.randn(1,10)
Out[39]:
array([[ 1.73156151, -1.84007543,  0.14878382,  0.51311413, -1.90056873,
        -0.63300809, -0.90696569, -0.3109273 ,  0.20482113, -0.65825151]])

In [40]: np.random.randn(1,10)
Out[40]:
array([[-0.45217741,  1.57705333,  0.179237  ,  2.51487338, -0.81338415
 
,
         0.86565983, -1.26091685,  0.67729083, -0.01673803, -0.88410194]])

randint

randint(low, high, size, dtype) 方法將會生成 [low, high) 的隨機整數。注意這是一個半開半閉區間。

In [41]: import numpy as np                    
                                               
In [42]: np.random.randint(2, 5, 10)           
Out[42]: array([2, 3, 2, 2, 4, 3, 2, 4, 3, 3]) 
                                               
In [43]: np.random.randint(2, 5, (6,))         
Out[43]: array([4, 4, 2, 2, 4, 2])             
                                               
In [44]: np.random.randint(2, 5, (6,6))        
Out[44]:                                       
array([[4, 3, 4, 2, 3, 2],                     
       [3, 2, 4, 3, 2, 2],                     
       [3, 2, 3, 3, 2, 2],                     
       [2, 3, 4, 2, 4, 3],                     
       [4, 2, 2, 3, 2, 3],                     
       [2, 4, 4, 3, 3, 3]])                    

random_integers

random_integers(low, high, size) 方法將會生成 [low, high] 的 np.int 型別隨機整數。注意這是一個閉區間。

In [45]: import numpy as np

In [46]: np.random.random_integers(2, 5, 10)
DeprecationWarning: This function is deprecated. Please call randint(2, 5 + 1) instead
  if __name__ == '__main__':
Out[46]: array([3, 3, 2, 5, 4, 2, 5, 3, 5, 2])

random_sample

random_sample(size) 方法將會在 [0, 1) 區間內生成指定 size 的隨機浮點數。

In [47]: import numpy as np                                             
                                                                        
In [48]: np.random.random_sample((6,6))                                 
Out[48]:                                                                
array([[ 0.42009732,  0.05595987,  0.65022868,  0.18997229,  0.69814036,
         0.61523511],                                                   
       [ 0.2985339 ,  0.50901118,  0.06090717,  0.76180005,  0.86715278,
         0.09642734],                                                   
       [ 0.66932351,  0.05251065,  0.02306205,  0.97841557,  0.38419852,
         0.30673377],                                                   
       [ 0.81771047,  0.67702204,  0.21086147,  0.64027755,  0.42783604,
         0.90985532],                                                   
       [ 0.47946547,  0.1488386 ,  0.31938335,  0.06678984,  0.25343433,
         0.01580869],                                                   
       [ 0.46362814,  0.89429929,  0.86515244,  0.26026441,  0.28736345,
         0.91810846]])                                                  

與 random.random_sample 類似的方法還有：

• random.random([size])
• random.ranf([size])
• random.sample([size])

它們 4 個的效果都差不多。

choice

choice(a, size, replace, p) 方法將會給定的 1 維數組裡生成隨機數。

In [49]: import numpy as np

In [50]: np.random.choice(10, 5)
Out[50]: array([1, 1, 2, 8, 1])

上面的程式碼將會在 np.arange(10) 中生成 5 個隨機數。

概率密度分佈

除了上面介紹的 6 中隨機數生成方法，numpy 還提供了大量的滿足特定概率密度分佈的樣本生成方法。它們的使用方法和上面非常相似，這裡就不再一一介紹了。列舉如下：

1. random.beta(a，b，size)：從 Beta 分佈中生成隨機數。
2. random.binomial(n, p, size)：從二項分佈中生成隨機數。
3. random.chisquare(df，size)：從卡方分佈中生成隨機數。
4. random.dirichlet(alpha，size)：從 Dirichlet 分佈中生成隨機數。
5. random.exponential(scale，size)：從指數分佈中生成隨機數。
6. random.f(dfnum，dfden，size)：從 F 分佈中生成隨機數。
7. random.gamma(shape，scale，size)：從 Gamma 分佈中生成隨機數。
8. random.geometric(p，size)：從幾何分佈中生成隨機數。
9. random.gumbel(loc，scale，size)：從 Gumbel 分佈中生成隨機數。
10. random.hypergeometric(ngood, nbad, nsample, size)：從超幾何分佈中生成隨機數。
11. random.laplace(loc，scale，size)：從拉普拉斯雙指數分佈中生成隨機數。
12. random.logistic(loc，scale，size)：從邏輯分佈中生成隨機數。
13. random.lognormal(mean，sigma，size)：從對數正態分佈中生成隨機數。
14. random.logseries(p，size)：從對數系列分佈中生成隨機數。
15. random.multinomial(n，pvals，size)：從多項分佈中生成隨機數。
16. random.multivariate_normal(mean, cov, size)：從多變數正態分佈繪製隨機樣本。
17. random.negative_binomial(n, p, size)：從負二項分佈中生成隨機數。
18. random.noncentral_chisquare(df，nonc，size)：從非中心卡方分佈中生成隨機數。
19. random.noncentral_f(dfnum, dfden, nonc, size)：從非中心 F 分佈中抽取樣本。
20. random.normal(loc，scale，size)：從正態分佈繪製隨機樣本。
21. random.pareto(a，size)：從具有指定形狀的 Pareto II 或 Lomax 分佈中生成隨機數。
22. random.poisson(lam，size)：從泊松分佈中生成隨機數。
23. random.power(a，size)：從具有正指數 a-1 的功率分佈中在 0，1 中生成隨機數。
24. random.rayleigh(scale，size)：從瑞利分佈中生成隨機數。
25. random.standard_cauchy(size)：從標準 Cauchy 分佈中生成隨機數。
26. random.standard_exponential(size)：從標準指數分佈中生成隨機數。
27. random.standard_gamma(shape，size)：從標準 Gamma 分佈中生成隨機數。
28. random.standard_normal(size)：從標準正態分佈中生成隨機數。
29. random.standard_t(df，size)：從具有 df 自由度的標準學生 t 分佈中生成隨機數。
30. random.triangular(left，mode，right，size)：從三角分佈中生成隨機數。
31. random.uniform(low，high，size)：從均勻分佈中生成隨機數。
32. random.vonmises(mu，kappa，size)：從 von Mises 分佈中生成隨機數。
33. random.wald(mean，scale，size)：從 Wald 或反高斯分佈中生成隨機數。
34. random.weibull(a，size)：從威布林分佈中生成隨機數。
35. random.zipf(a，size)：從 Zipf 分佈中生成隨機數。