这期内容当中小编将会给大家带来有关为什么会用不好Numpy的random函数，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。
创新互联建站主要从事网站建设、成都网站制作、网页设计、企业做网站、公司建网站等业务。立足成都服务九原,十余年网站建设经验,价格优惠、服务专业,欢迎来电咨询建站服务:028-86922220
在python数据分析的学习和应用过程中，经常需要用到numpy的随机函数，由于随机函数random的功能比较多，经常会混淆或记不住，下面我们一起来汇总学习下。
1. import numpyas np
1
numpy.random.rand()
numpy.random.rand(d0,d1,...,dn)
1. np.random.rand(4,2)
1. array([[0.02173903, 0.44376568],
2. [0.25309942, 0.85259262],
3. [0.56465709, 0.95135013],
4. [0.14145746, 0.55389458]])
1. np.random.rand(4,3,2)# shape: 4*3*2
1. array([[[0.08256277, 0.11408276],
2. [0.11182496, 0.51452019],
3. [0.09731856, 0.18279204]],
4.
5. [[0.74637005, 0.76065562],
6. [0.32060311, 0.69410458],
7. [0.28890543, 0.68532579]],
8.
9. [[0.72110169, 0.52517524],
10. [0.32876607, 0.66632414],
11. [0.45762399, 0.49176764]],
12.
13. [[0.73886671, 0.81877121],
14. [0.03984658, 0.99454548],
15. [0.18205926, 0.99637823]]])
2
numpy.random.randn()
numpy.random.randn(d0,d1,...,dn)
1. np.random.randn()#当没有参数时，返回单个数据
1. -1.1241580894939212
1. np.random.randn(2,4)
1. array([[0.27795239, -2.57882503, 0.3817649 , 1.42367345],
2. [-1.16724625, -0.22408299, 0.63006614, -0.41714538]])
1. np.random.randn(4,3,2)
1. array([[[1.27820764, 0.92479163],
2. [-0.15151257, 1.3428253 ],
3. [-1.30948998, 0.15493686]],
4.
5. [[-1.49645411, -0.27724089],
6. [0.71590275, 0.81377671],
7. [-0.71833341, 1.61637676]],
8.
9. [[0.52486563, -1.7345101 ],
10. [1.24456943, -0.10902915],
11. [1.27292735, -0.00926068]],
12.
13. [[0.88303 , 0.46116413],
14. [0.13305507, 2.44968809],
15. [-0.73132153, -0.88586716]]])
标准正态分布介绍
3
numpy.random.randint()
3.1
numpy.random.randint()
numpy.random.randint(low,
high=None, size=None, dtype='l')
返回随机整数，范围区间为[low,high），包含low，不包含high
参数：low为最小值，high为最大值，size为数组维度大小，dtype为数据类型，默认的数据类型是np.int
high没有填写时，默认生成随机数的范围是[0，low)
1. np.random.randint(1,size=5)#返回[0,1)之间的整数，所以只有0
1. array([0,0,0,0,0])
1. np.random.randint(1,5)#返回1个[1,5)时间的随机整数
1. 4
1. np.random.randint(-5,5,size=(2,2))
1. array([[2, -1],
2. [2, 0]])
3.2
numpy.random.random_integers
numpy.random.random_integers(low,
high=None, size=None)
返回随机整数，范围区间为[low,high]，包含low和high
参数：low为最小值，high为最大值，size为数组维度大小
high没有填写时，默认生成随机数的范围是[1，low]
该函数在最新的numpy版本中已被替代，建议使用randint函数
1. np.random.random_integers(1,size=5)
1. array([1,1,1,1,1])
4生成[0,1)之间的浮点数
numpy.random.random_sample(size=None)
numpy.random.random(size=None)
numpy.random.ranf(size=None)
numpy.random.sample(size=None)
1. print('-----------random_sample--------------')
2. print(np.random.random_sample(size=(2,2)))
3. print('-----------random--------------')
4. print(np.random.random(size=(2,2)))
5. print('-----------ranf--------------')
6. print(np.random.ranf(size=(2,2)))
7. print('-----------sample--------------')
8. print(np.random.sample(size=(2,2)))
1. -----------random_sample--------------
2. [[0.34966859 0.85655008]
3. [0.16045328 0.87908218]]
4. -----------random--------------
5. [[0.25303772 0.45417512]
6. [0.76053763 0.12454433]]
7. -----------ranf--------------
8. [[0.0379055 0.51288667]
9. [0.71819639 0.97292903]]
10. -----------sample--------------
11. [[0.59942807 0.80211491]
12. [0.36233939 0.12607092]]
5
numpy.random.choice()
numpy.random.choice(a,
size=None, replace=True, p=None)
1. np.random.choice(5,3)
1. array([4,1,4])
1. np.random.choice(5,3, replace=False)
2. #当replace为False时，生成的随机数不能有重复的数值
1. array([0,3,1])
1. np.random.choice(5,size=(3,2))
1. array([[1,0],
2. [4,2],
3. [3,3]])
1. demo_list
= ['lenovo','sansumg','moto','xiaomi','iphone']
2. np.random.choice(demo_list,size=(3,3))
1. array([['moto','iphone','xiaomi'],
2. ['lenovo','xiaomi','xiaomi'],
3. ['xiaomi','lenovo','iphone']],
4. dtype='参数p的长度与参数a的长度需要一致；
参数p为概率，p里的数据之和应为1
1. demo_list
= ['lenovo','sansumg','moto','xiaomi','iphone']
2. np.random.choice(demo_list,size=(3,3), p=[0.1,0.6,0.1,0.1,0.1])
1. array([['sansumg','sansumg','sansumg'],
2. ['sansumg','sansumg','sansumg'],
3. ['sansumg','xiaomi','iphone']],
4. dtype='6
numpy.random.seed()
1. np.random.seed(0)
2. np.random.rand(5)
1. array([0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ])
1. np.random.seed(1676)
2. np.random.rand(5)
1. array([0.39983389, 0.29426895, 0.89541728, 0.71807369, 0.3531823 ])
1. np.random.seed(1676)
2. np.random.rand(5)
1. array([0.39983389, 0.29426895, 0.89541728, 0.71807369, 0.3531823 ])
上述就是小编为大家分享的为什么会用不好Numpy的random函数了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注创新互联行业资讯频道。
当前名称：为什么会用不好Numpy的random函数
URL链接：http://www.cdkjz.cn/article/pdghjj.html
