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。
创新互联网站建设公司是一家服务多年做网站建设策划设计制作的公司,为广大用户提供了
做网站、成都网站建设，成都网站设计，
广告投放，成都做网站选创新互联，贴合企业需求，高性价比，满足客户不同层次的需求一站式服务欢迎致电。
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 numpy as 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-成都网站建设公司行业资讯频道。
分享题目：为什么会用不好Numpy的random函数-创新互联
网站URL：http://cdkjz.cn/article/djdhcc.html
