当前位置：首页 > news >正文

random.gauss()函数和numpy.random.normal()函数生成正态分布随机数

news 2025/10/1 8:06:00

【1】引言

前序学习进程中，已经学习了torch.normal()函数生成的随机数据添加噪声，正好回忆一下，使用random系列的函数也能生成正态分布随机数。

【2】random.gauss()函数

random.gauss()函数一次性只能生成一个随机数，效率比较低。

# 引入random模块
import random# 生成随机数
num=random.gauss(0,1)
print(num)

比如这个简单的项目，每次运行就只会输出一个随机数，这里给出一个实例：
在这里插入图片描述
如果想生成多个随机数，就要借用循环，比如修改代码为：

# 引入random模块
import random# 定义参数
mu=0
std=1
n=10# 使用列表推导式生成正态分布随机数
for i in range(n):print('a[',i,']=',random.gauss(mu,std))

此时运行代码就会一次性输出10个满足均值为0，标准差为1的正态分布随机数，比如：
在这里插入图片描述

【3】random.normal()函数

random.normal()函数一次性能生成多个随机数，效率相对较高，基本格式

random.normal(均值mu,标准差std,形状size)

# 引入random模块
import random
import numpy as np# 定义参数
mu=0
std=1
n=10# 生成随机数
num=np.random.normal(mu,std,n)
print(num)

比如上述代码的意图是，一次性生成10个满足均值为0，标准差为1的正态分布随机数，比如：
在这里插入图片描述
由于random.normal()函数可以灵活制定生成的随机数形状
此时可以来一个更大胆的，一次性生成多个数据，然后展平后画图：

# 引入random模块
import random
from cProfile import label
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.pyplot import legend# 定义参数
mu=0
std=1
size=(200,300)# 生成随机数
num=np.random.normal(mu,std,size=size)# 绘图
plt.hist(num.flatten(),bins=50,label='random.normal')
plt.xlabel(xlabel='x')
plt.ylabel(ylabel='random.normal')
plt.legend()
plt.show()