NumPy随机数生成函数的多种实现方法

NumPy 的numpy.random模块提供了丰富的随机数生成函数，覆盖基础随机数组、概率分布抽样和随机排列等功能。以下是常用函数的详细解析：

一、基础随机数生成函数

1.np.random.rand(d0, d1, ..., dn)

• 功能：生成 [0, 1) 均匀分布的随机浮点数数组
• 参数：d0, d1...为数组维度（整数）
• 示例：

  1 2	np.random.rand(2,3)# 生成 2行3列的随机数组 # 输出：array([[0.12, 0.34, 0.56], [0.78, 0.90, 0.23]])

2.np.random.randn(d0, d1, ..., dn)

• 功能：生成符合标准正态分布（μ=0, σ=1）的随机数
• 参数：同rand()
• 示例：

  1 2	np.random.randn(2)# 生成2个标准正态分布随机数 # 输出：array([-0.45, 1.23])

3.np.random.randint(low, high=None, size=None, dtype=int)

• 功能：生成 [low, high) 区间的整数随机数
• 参数：
  • low：下限（包含）
  • high：上限（不包含，若未提供则从0开始）
  • size：输出形状
• 示例：

  1 2	np.random.randint(1,10, size=(3,))# 生成3个1-9的整数 # 输出：array([5, 2, 8])

4.np.random.random(size=None)

• 功能：生成 [0.0, 1.0) 均匀分布的随机浮点数（单个数或数组）
• 示例：

  1 2	np.random.random((2,2))# 2x2随机矩阵 # 输出：array([[0.45, 0.78], [0.12, 0.90]])

二、概率分布抽样函数

1.np.random.uniform(low=0.0, high=1.0, size=None)

• 功能：生成指定区间 [low, high) 的均匀分布随机数
• 示例：

  1 2	np.random.uniform(-1,1, size=3)# 3个[-1,1)的均匀分布数 # 输出：array([-0.23, 0.56, -0.89])

2.np.random.normal(loc=0.0, scale=1.0, size=None)

• 功能：生成指定均值（loc）和标准差（scale）的正态分布
• 示例：

  1 2	np.random.normal(loc=5, scale=2, size=2)# N(5, 2²)的2个样本 # 输出：array([4.89, 6.12])

3.np.random.binomial(n, p, size=None)

• 功能：生成二项分布（n次试验，成功概率p）的随机数
• 示例：

  1 2	np.random.binomial(n=10, p=0.5, size=3)# 3次10重伯努利试验的成功次数 # 输出：array([5, 7, 4])

4.np.random.poisson(lam=1.0, size=None)

• 功能：生成泊松分布（λ=lam）的随机数
• 示例：

  1 2	np.random.poisson(lam=3, size=4)# λ=3的4个泊松样本 # 输出：array([2, 4, 3, 5])

三、随机抽样与排列

1.np.random.choice(a, size=None, replace=True, p=None)

• 功能：从序列a中随机抽样
• 参数：
  • replace：是否允许重复抽样（默认True）
  • p：各元素抽样概率（需与a长度相同）
• 示例：

  1 2	np.random.choice([1,2,3,4], size=3, p=[0.1,0.2,0.3,0.4]) # 按概率抽样3个元素，输出：array([3,4,4])

2.np.random.shuffle(x)

• 功能：原地打乱数组x（修改原数组）
• 示例：

  1 2	arr=np.array([1,2,3,4]) np.random.shuffle(arr)# arr变为 [3,1,4,2]

3.np.random.permutation(x)

• 功能：生成数组x的随机排列（不修改原数组）
• 示例：

  1	np.random.permutation([1,2,3,4])# 输出：array([2,4,1,3])

四、随机种子设置

关键区别总结

到此这篇关于NumPy随机数生成函数的多种实现方法的文章就介绍到这了