python中random(numpy.random)随机数的使用

2021/12/18 20:50:29

编程Tag： size python random numpy distribution sig Draw samples

本文主要是介绍python中random(numpy.random)随机数的使用，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

基础知识（maybe is boring,but it's fundamental）：

（一）random

(1)实值分布

random.random()

　　返回 [0.0, 1.0) 范围内的下一个随机浮点数。

random.uniform(a, b)

　　返回一个随机浮点数 N ，当 a <= b 时 a <= N <= b ，当 b < a 时 b <= N <= a 。

取决于等式 a + (b-a) * random() 中的浮点舍入，终点 b 可以包括或不包括在该范围内。

random.triangular(low, high, mode)

　　返回一个随机浮点数 N ，使得 low <= N <= high 并在这些边界之间使用指定的 mode 。 low 和 high 边界默认为零和一。 mode 参数默认为边界之间的中点，给出对称分布。

random.betavariate(alpha, beta)

　　Beta 分布。参数的条件是 alpha > 0 和 beta > 0。返回值的范围介于 0 和 1 之间。

random.expovariate(lambd)

　　指数分布。 lambd 是 1.0 除以所需的平均值，它应该是非零的。（该参数本应命名为 “lambda” ，但这是 Python 中的保留字。）如果 lambd 为正，则返回值的范围为 0 到正无穷大；如果 lambd 为负，则返回值从负无穷大到 0。

random.gammavariate(alpha, beta)

　　Gamma 分布。（不是 gamma 函数！）参数的条件是 alpha > 0 和 beta > 0

random.gauss(mu, sigma)

　　高斯分布。 mu 是平均值，sigma 是标准差。这比下面定义的 normalvariate() 函数略快。

random.lognormvariate(mu, sigma)

　　对数正态分布。如果你采用这个分布的自然对数，你将得到一个正态分布，平均值为 mu 和标准差为 sigma 。 mu 可以是任何值，sigma 必须大于零。

random.normalvariate(mu, sigma)

　　正态分布。 mu 是平均值，sigma 是标准差。

random.vonmisesvariate(mu, kappa)

　　冯·米塞斯分布。 mu 是平均角度，以弧度表示，介于0和 2*pi 之间，kappa 是浓度参数，必须大于或等于零。如果 kappa 等于零，则该分布在 0 到 2*pi 的范围内减小到均匀的随机角度。

random.paretovariate(alpha)

　　帕累托分布。 alpha 是形状参数。

random.weibullvariate(alpha, beta)

　　威布尔分布。 alpha 是比例参数，beta 是形状参数。

(2)序列用函数

random.choice(seq)

　　从非空序列 seq 返回一个随机元素。

random.shuffle(x[, random])

　　将序列 x 随机打乱位置。

random.sample(population, k)

　　返回从总体序列或集合中选择的唯一元素的 k 长度列表。用于无重复的随机抽样。

(3)整数用函数

random.randrange(stop)

random.randrange(start, stop[, step])

从 range(start, stop, step) 返回一个随机选择的元素。这相当于 choice(range(start, stop, step)) ，但实际上并没有构建一个 range 对象。

random.randint(a, b)

返回随机整数 N 满足 a <= N <= b。相当于 randrange(a, b+1)。

random.seed()用法

当seed()没有参数时，每次生成的随机数是不一样的，而当seed()有参数时，每次生成的随机数是一样的，同时选择不同的参数生成的随机数也不一样。

（二）numpy

`beta`(a, b[, size])	Draw samples from a Beta distribution.　　Beta分布
`binomial`(n, p[, size])	Draw samples from a binomial distribution.　　二项分布
`bytes`(length)	Return random bytes.　　随机字节
`chisquare`(df[, size])	Draw samples from a chi-square distribution.
`choice`(a[, size, replace, p])	Generates a random sample from a given 1-D array　　　一维数组生成随机样本
`dirichlet`(alpha[, size])	Draw samples from the Dirichlet distribution.　　狄里克莱分布
`exponential`([scale, size])	Draw samples from an exponential distribution.
`f`(dfnum, dfden[, size])	Draw samples from an F distribution.　　指数分布
`gamma`(shape[, scale, size])	Draw samples from a Gamma distribution.
`geometric`(p[, size])	Draw samples from the geometric distribution.　　几何分布
`get_state`()	Return a tuple representing the internal state of the generator.
`gumbel`([loc, scale, size])	Draw samples from a Gumbel distribution.
`hypergeometric`(ngood, nbad, nsample[, size])	Draw samples from a Hypergeometric distribution.
`laplace`([loc, scale, size])	Draw samples from the Laplace or double exponential distribution with specified location (or mean) and scale (decay).
`logistic`([loc, scale, size])	Draw samples from a logistic distribution.
`lognormal`([mean, sigma, size])	Draw samples from a log-normal distribution.　　对数正态分布
`logseries`(p[, size])	Draw samples from a logarithmic series distribution.
`multinomial`(n, pvals[, size])	Draw samples from a multinomial distribution.
`multivariate_normal`(mean, cov[, size, …])	Draw random samples from a multivariate normal distribution.
`negative_binomial`(n, p[, size])	Draw samples from a negative binomial distribution.
`noncentral_chisquare`(df, nonc[, size])	Draw samples from a noncentral chi-square distribution.
`noncentral_f`(dfnum, dfden, nonc[, size])	Draw samples from the noncentral F distribution.
`normal`([loc, scale, size])	Draw random samples from a normal (Gaussian) distribution.　　正态（高斯）分布
`pareto`(a[, size])	Draw samples from a Pareto II or Lomax distribution with specified shape.
`permutation`(x)	Randomly permute a sequence, or return a permuted range.
`poisson`([lam, size])	Draw samples from a Poisson distribution.　　泊松分布
`power`(a[, size])	Draws samples in [0, 1] from a power distribution with positive exponent a - 1.
`rand`(d0, d1, …, dn)	Random values in a given shape.
`randint`(low[, high, size, dtype])	Return random integers from low (inclusive) to high (exclusive).　　“标准正态”分布
`randn`(d0, d1, …, dn)	Return a sample (or samples) from the “standard normal” distribution.
`random`([size])	Return random floats in the half-open interval [0.0, 1.0).
`random_integers`(low[, high, size])	Random integers of type np.int_ between low and high, inclusive.
`random_sample`([size])	Return random floats in the half-open interval [0.0, 1.0).
`ranf`()	This is an alias of `random_sample`.
`rayleigh`([scale, size])	Draw samples from a Rayleigh distribution.
`sample`()	This is an alias of `random_sample`.
`seed`(self[, seed])	Reseed a legacy MT19937 BitGenerator
`set_state`(state)	Set the internal state of the generator from a tuple.
`shuffle`(x)	Modify a sequence in-place by shuffling its contents.
`standard_cauchy`([size])	Draw samples from a standard Cauchy distribution with mode = 0.　　标准指数
`standard_exponential`([size])	Draw samples from the standard exponential distribution.
`standard_gamma`(shape[, size])	Draw samples from a standard Gamma distribution.
`standard_normal`([size])	Draw samples from a standard Normal distribution (mean=0, stdev=1).　　标准正态分布
`standard_t`(df[, size])	Draw samples from a standard Student’s t distribution with df degrees of freedom.
`triangular`(left, mode, right[, size])	Draw samples from the triangular distribution over the interval `[left, right]`.
`uniform`([low, high, size])	Draw samples from a uniform distribution.
`vonmises`(mu, kappa[, size])	Draw samples from a von Mises distribution.
`wald`(mean, scale[, size])	Draw samples from a Wald, or inverse Gaussian, distribution.
`weibull`(a[, size])	Draw samples from a Weibull distribution.
`zipf`(a[, size])	Draw samples from a Zipf distribution.

（三）作图实例

高斯正态分布

import numpy as np
import matplotlib.pyplot as plt
import math
u = 8782  # 均值μ
sig = math.sqrt(2800*2800) # 标准差δ
x = np.linspace(u - 3*sig, u + 3*sig, 500000)
y_sig = np.exp(-(x - u) ** 2 /(2* sig **2))/(math.sqrt(2*math.pi)*sig)
print(x)
print(len(x))
print("="*20)
print(y_sig)
plt.plot(x, y_sig, "r-", linewidth=2)
plt.grid(True)
plt.show()

对数正太分布

import numpy as np
import matplotlib.pyplot as plt
import math,sys
#np.seterr(divide = 'ignore')
u = 0  # 均值μ
sig =2/3 # 标准差δ
x = np.linspace(0.0001,10,100000)
y_sig = np.exp(-(np.log(x)-u) ** 2 /(2* sig **2))/(math.sqrt(2*math.pi)*sig*x)
print(x)
print(x*8000)
print(len(x))
print("="*20)
print(y_sig)
plt.plot(x*8000, y_sig, "r-", linewidth=2)
plt.grid(True)
plt.show()

import numpy as np #导入库
random3 = np.random.randn(10000) #随机生成10000个服从正态分布的随机数
print(random3*8000)
print(len([a for a in random3*8000 if a<8000]))
import matplotlib.pyplot as plt
import seaborn as sns #使用seaborn 库画直方图验证结果
sns.set_palette("hls") #设置所有图的颜色，使用hls色彩空间
sns.distplot(random3*8000,color="r",bins=4000,kde=True) #绘制直方图，color设置颜色，bins设置直方图的划分数
plt.show() #显示验证结果

import numpy as np #导入库
random3 = np.random.lognormal(0,1/2,500000) #随机生成服从对数正态分布的随机数
print(random3*8000)
print(len([a for a in random3*8000 if a<8000]))
import matplotlib.pyplot as plt
import seaborn as sns #使用seaborn 库画直方图验证结果
sns.set_palette("hls") #设置所有图的颜色，使用hls色彩空间
sns.distplot(random3*8000,color="r",bins=4000,kde=True) #绘制直方图，color设置颜色，bins设置直方图的划分数
plt.show() #显示验证结果

这篇关于python中random(numpy.random)随机数的使用的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！