随机数生成

numpy.random模块对Python内置的random进行了补充，增长了一些用于高效生成多种几率分布的样本值的函数。如能够用normal来获得一个标准正态分布的4*4的样本数组：

In [1]: import numpy as np

In [2]: samples=np.random.sample(size=(4,4))

In [3]: samples
Out[3]:
array([[0.28705967, 0.44072192, 0.9762484 , 0.13830485],
       [0.74047263, 0.97749408, 0.69630957, 0.29841462],
       [0.54948539, 0.39314335, 0.75565134, 0.02123291],
       [0.46449012, 0.21270412, 0.04491115, 0.1163004 ]])

而Python内置的random模块则只能一次生成一个样本值。从下面的测试结果能够看到，若是须要产生大量的样本值，numpy.random模块快了不止一个数量级：

In [9]: %timeit samples=[normalvariate(0,1) for _ in range(N)]
167 ms ± 1.71 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [10]: %timeit np.random.normal(size=N)
6.41 ms ± 122 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

 

numpy.random函数：

seed：肯定随机数生成器的种子

permutation：返回一个序列的随机排列或返回一个随机排列的范围

shuffle：对一个序列就地随机排列

rand：产生均匀分布的样本值

randint：从给定的上下限范围内随机选取整数

randn：产生正态分布（平均值为0，标准差为1）的样本值，相似MATLAB接口

binomial：产生二项分布的样本值

normal：产生正态分布的样本值

beta：产生Beta分布的样本值

chisquare：产生卡方分布的样本值

gamma：产生Gamma分布的样本值

uniform：产生在[0,1]中均匀分布的样本值