Python随机数
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了Python随机数，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含3654字，纯文字阅读大概需要6分钟。
内容图文
Python自带的random库
| 函数名称 | 函数功能 |
|---|---|
| random.randint(n,m) | 产生n-m间的一个随机数 |
| random.random() | 产生0-1间的浮点数 |
| random.uniform(1.1,5.4) | 产生n-m间的浮点数 |
| random.randrange(n,m,k) | 产生n-m间隔为k的整数 |
| random.choice([1, 2, 3, 4, 5, 6, 7, 8, 9, 0]) | 从序列中随机选取一个元素 |
| random.shuffle([1,3,5,6,7]) | 打乱序列次序 |
numpy.random 模块
在数据分析中，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：
- 简单随机数： 产生简单的随机数据，可以是任何维度
- 排列：将所给对象随机排列
- 分布：产生指定分布的数据，如高斯分布等
- 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：
- 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。
- 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）
- 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 |
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 |
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 | |
内容总结
以上是互联网集市为您收集整理的Python随机数全部内容，希望文章能够帮你解决Python随机数所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。
来源：【匿名】