首页 / PYTHON / Python 伪随机数的生成
Python 伪随机数的生成
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 伪随机数的生成,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3015字,纯文字阅读大概需要5分钟。
内容图文
![Python 伪随机数的生成](/upload/InfoBanner/zyjiaocheng/597/4f06172ce9724ecba6d118e2d7406152.jpg)
推荐使用numpy模块中的子模块random
为了直观展示分布函数的概率密度曲线,以正态分布和指数分布为例。
import seaborn as sns
import matplotlib.pyplot as plt
from scipy import stats
# 生成各种正态分布随机数
np.random.seed(1234)
rn1 = np.random.normal(loc = 0, scale = 1, size = 1000)
rn2 = np.random.normal(loc = 0, scale = 2, size = 1000)
rn3 = np.random.normal(loc = 2, scale = 3, size = 1000)
rn4 = np.random.normal(loc = 5, scale = 3, size = 1000)
# 绘图
plt.style.use('ggplot')
sns.distplot(rn1, hist = False, kde = False, fit = stats.norm,
fit_kws = {'color':'black','label':'u=0,s=1','linestyle':'-'})
sns.distplot(rn2, hist = False, kde = False, fit = stats.norm,
fit_kws = {'color':'red','label':'u=0,s=2','linestyle':'--'})
sns.distplot(rn3, hist = False, kde = False, fit = stats.norm,
fit_kws = {'color':'blue','label':'u=2,s=3','linestyle':':'})
sns.distplot(rn4, hist = False, kde = False, fit = stats.norm,
fit_kws = {'color':'purple','label':'u=5,s=3','linestyle':'-.'})
# 呈现图例
plt.legend()
# 呈现图形
plt.show()
# 生成各种指数分布随机数
np.random.seed(1234)
re1 = np.random.exponential(scale = 0.5, size = 1000)
re2 = np.random.exponential(scale = 1, size = 1000)
re3 = np.random.exponential(scale = 1.5, size = 1000)
# 绘图
sns.distplot(re1, hist = False, kde = False, fit = stats.expon,
fit_kws = {'color':'black','label':'lambda=0.5','linestyle':'-'})
sns.distplot(re2, hist = False, kde = False, fit = stats.expon,
fit_kws = {'color':'red','label':'lambda=1','linestyle':'--'})
sns.distplot(re3, hist = False, kde = False, fit = stats.expon,
fit_kws = {'color':'blue','label':'lambda=1.5','linestyle':':'})
# 呈现图例
plt.legend()
# 呈现图形
plt.show()
随着lambda参数的增加,概率密度曲线表现得越矮,同时右边的“尾巴”会更长而厚。
seed(n) 设置随机种子
beta(a,b,size=None) 生成贝塔分布的随机数
chisquare(df,size=None) 生成卡方分布的随机数
choice(a,size=None,replace=True,p=None) 从a中有放回地随机挑选指定数量的样本
exponential(scale0=1.0,size=None) 生成指数分布的随机数
f(dfnum,dfden,size=None) 生成F分布的随机数
gamma(shape,scale=1.0,size=None) 生成伽马分布的随机数
geometric(p,size=None) 生成几何分布的随机数
hypergeometric(ngood,nbad,nsample,size=None) 生成超几何分布的随机数
laplace(loc=0.0,scale=1.0,size=None) 生成拉普拉斯分布随机数
logistic(loc=0.0,scale=1.0,size=None) 生成logistic分布随机数
lognormal(mean=0.0,sigma=1.0,size=None) 生成对数正态分布随机数
negative_binomial(n,p,size=None) 生成负二项分布随机数
multinomial(n,pvals,size=None) 生成多项分布随机数
multivariate_normal(mean,cov[,size]) 多元正态分布
normal(loc=0.0,scale=1.0,size=None) 正态分布
pareto(a,size=None) 帕累托分布
poisson(lam=1.0,size=None) 泊松分布
rand(d0,d1,...,dn) n维的均匀分布
randn(d0,d1,...,dn) n维的标准正态分布
randint(low,high=None,size=None,dtype=’1’) 指定范围的随机数
random_sample(size=None) [0,1)的随机数
standard_t(df,size=None) 标准的t分布随机数
uniform(low=0.0,high=1.0,size=None) 指定范围的均匀分布随机数
wald(mean,scale,size=None) wald分布
weibull(a,size=None) weibull分布
内容总结
以上是互联网集市为您收集整理的Python 伪随机数的生成全部内容,希望文章能够帮你解决Python 伪随机数的生成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。