numpy的random函数总结
np.random.randint（）
返回随机整数
1、生成一个随机数：
# 生成一个随机整数
random_num = np.random.randint(3, 10)
print(random_num) # 可能输出：52、生成多个随机数：
# 生成多个随机整数
random_array = np.random.randint(3, 10, size=5)
print(random_array) # 可能输出：[7 3 9 4 6]np.random.choice(a, size=None, replace=True, p=None) 参数说明： a：输入数组或整数 1、如果是数组：从数组元素中随机选择 2、如果是整数 n：相当于从 np.arange(n)中选择 size：输出形状（整数或元组） replace：是否允许重复抽样（默认 True） p：每个元素被选中的概率
1、从列表中选择：
# 从列表中选择一个元素
arr = ['A', 'B', 'C', 'D']
result = np.random.choice(arr)
print(result) # 可能输出：'B'
# 选择多个元素
result = np.random.choice(arr, size=3)
print(result) # 可能输出：['A', 'C', 'B']2、从数字范围选择：
# 从 0-9 中选择
result = np.random.choice(10, size=5)
print(result) # 可能输出：[3 7 1 9 4]
# 从指定范围数组中选择
result = np.random.choice([2, 4, 6, 8], size=3)
print(result) # 可能输出：[6 2 8]3、 控制抽样方式：
arr = ['A', 'B', 'C', 'D']# 不允许重复抽样
result = np.random.choice(arr, size=3, replace=False)
print(result) # 可能输出：['B', 'D', 'A']，不会重复
# 设置概率分布
probabilities = [0.1, 0.2, 0.3, 0.4] # A,B,C,D 分别的概率
result = np.random.choice(arr, size=5, p=probabilities)
print(result) # D 出现的概率最高4、 生成多维数组
# 生成 2x3 的随机选择数组
result = np.random.choice(['X', 'Y', 'Z'], size=(2, 3))
print(result)
# 可能输出：
# [['X' 'Z' 'Y']
# ['Y' 'X' 'Z']]5、实际应用场景
# 模拟掷骰子
dice = [1, 2, 3, 4, 5, 6]
rolls = np.random.choice(dice, size=10)
print(f"10次掷骰子结果: {rolls}")
# 抽奖系统
prizes = ['一等奖', '二等奖', '三等奖', '谢谢参与']
prob = [0.01, 0.09, 0.3, 0.6] # 中奖概率
winner = np.random.choice(prizes, p=prob)
print(f"抽奖结果: {winner}")注意事项
概率总和必须为 1：当使用
p参数时，所有概率之和必须等于 1无放回抽样的限制：当
replace=False时，size不能大于a的长度随机种子：可以使用
np.random.seed()获得可重复的结果
# 生成随机数据
data = np.random.normal(0, 1, 100) # 均值为0，标准差为1的100个随机数
# 然后进行随机操作，比如
random_num = np.random.rand(3)
# 这些函数的输出范围：
print("randint(0, 100):", np.random.randint(0, 100)) # 0-99
print("random():", np.random.random()) # [0.0, 1.0)
print("randn():", np.random.randn()) # 标准正态分布
print("uniform(5, 10):", np.random.uniform(5, 10)) # [5.0, 10.0)
# 标准正态分布 (均值0, 标准差1)
np.random.randn() # 单个值
np.random.randn(2, 3) # 2x3 数组# 生成指定形状的 [0,1) 均匀分布
np.random.rand(5) # 5个随机数
np.random.rand(2, 2) # 2x2 数组连续分布：
# 正态分布
np.random.normal(0, 1) # 标准正态
np.random.normal(10, 2, 100) # 均值10, 标准差2, 100个样本# 其他连续分布
np.random.beta(2, 5, 10) # Beta分布
np.random.gamma(2, 2, 10) # Gamma分布
np.random.exponential(1, 10) # 指数分布
np.random.chisquare(2, 10) # 卡方分布离散分布：
# 二项分布
np.random.binomial(10, 0.5, 20) # n=10, p=0.5, 20次试验# 泊松分布
np.random.poisson(5, 10) # λ=5, 10个样本# 其他离散分布
np.random.geometric(0.3, 10) # 几何分布
np.random.hypergeometric(10, 5, 7, 10) # 超几何分布随机选择：
arr = [1, 2, 3, 4, 5]# 从数组中随机选择
np.random.choice(arr, size=3) # 选择3个元素
np.random.choice(arr, size=5, replace=False) # 无放回抽样
np.random.choice(arr, p=[0.1, 0.1, 0.3, 0.3, 0.2]) # 指定概率# 随机排列
np.random.permutation(arr) # 返回新数组
np.random.shuffle(arr) # 原地打乱原数组多元分布：
# 多元正态分布
mean = [0, 0]
cov = [[1, 0.5], [0.5, 1]]
np.random.multivariate_normal(mean, cov, 100)# 多项分布
np.random.multinomial(20, [0.2, 0.3, 0.5]) # 20次试验, 3个类别其他分布：
# 狄利克雷分布
np.random.dirichlet([1, 2, 3]) # 参数为 [α1, α2, α3]# 逻辑分布
np.random.logistic(0, 1, 10) # 位置0, 尺度1# 帕累托分布
np.random.pareto(3, 10) # 形状参数3随机种子和状态：
# 设置随机种子
np.random.seed(42)# 获取和设置随机状态
state = np.random.get_state() # 获取当前状态
np.random.set_state(state) # 恢复状态# 现代推荐用法 (NumPy 1.17+)
rng = np.random.default_rng(42) # 创建生成器对象
rng.integers(0, 10, 5) # 使用生成器实用函数：
# 生成随机字节
np.random.bytes(10) # 10个随机字节# 从给定列表生成随机样本
data = np.arange(100)
np.random.choice(data, 10, replace=False) # 不放回抽样# 随机打乱数组索引
indices = np.random.permutation(len(data))从 NumPy 1.17 开始，推荐使用 Generator 对象
# 创建生成器
rng = np.random.default_rng(42)# 使用生成器的方法
rng.random() # 替代 random()
rng.integers(0, 10) # 替代 randint()
rng.normal(0, 1) # 替代 normal()
rng.choice([1, 2, 3, 4]) # 替代 choice()
rng.permutation([1, 2, 3, 4]) # 替代 permutation()np.random.seed(数字)后面可以是任意的整数。可以使负数、0、整数
np.random.seed(42)# 多个随机函数都会受到种子的影响
a = np.random.rand(3) # 随机浮点数
b = np.random.randint(1, 10, 5) # 随机整数
c = np.random.choice(['A', 'B', 'C'], size=3)print("随机浮点数:", a) # 总是相同
print("随机整数:", b) # 总是相同
print("随机选择:", c) # 总是相同重置种子：
# 在代码的不同部分使用不同种子
np.random.seed(42)
data1 = np.random.rand(5)np.random.seed(123) # 重置种子
data2 = np.random.rand(5)print("数据1:", data1) # 由种子42决定
print("数据2:", data2) # 由种子123决定随机种子的使用场景：保证实验可以重复进行
from sklearn.model_selection import train_test_split
import numpy as np# 设置随机种子
np.random.seed(42)# 分割数据集（结果可重复）
X = np.random.rand(100, 5) # 100个样本，5个特征
y = np.random.randint(0, 2, 100) # 二分类标签X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42
)print(f"训练集大小: {len(X_train)}") # 总是80
print(f"测试集大小: {len(X_test)}") # 总是20常用函数总结表：
| 函数 | 描述 | 示例 |
|---|---|---|
random() | [0,1) 均匀分布 | np.random.random((2,2)) |
randint() | 随机整数 | np.random.randint(1, 10, 5) |
randn() | 标准正态分布 | np.random.randn(100) |
normal() | 正态分布 | np.random.normal(0, 1, 100) |
uniform() | 均匀分布 | np.random.uniform(-1, 1, 10) |
choice() | 随机选择 | np.random.choice(arr, size=5) |
shuffle() | 打乱数组 | np.random.shuffle(arr) |
permutation() | 随机排列 | np.random.permutation(arr) |
binomial() | 二项分布 | np.random.binomial(10, 0.5) |
poisson() | 泊松分布 | np.random.poisson(5, 10) |
exponential() | 指数分布 | np.random.exponential(1) |
seed() | 设置种子 | np.random.seed(42) |