Random —— python（And）numpy
Python内置Random库
一、导入random库
import random
二、生成随机的浮点数
- 使用
random.random()可以直接生成一个[0, 1]之间的随机浮点数。 - 使用
random.uniform(start, end)可以指定生成[start, end]之间的随机浮点数。
rand_float = random.random() # 默认生成的是0 - 1之间的浮点数
print(rand_float)
rand_float = random.uniform(1.0, 10.0) # 指定生成1 - 10之间的浮点数
print(rand_float)
三、生成随机的整数
- 使用
random.randint(start, end)可以生成[start, end]之间的随机整数。 - 使用
random.randrange(start, end, step)可以生成[start, end]之间，步长为5的随机整数。
rand_int = random.randint(1, 10) # 生成0 - 1之间的整数
print(rand_int)
rand_int = random.randrange(0, 101, 5) # 生成0 - 101之间5的倍数的随机整数
print(rand_int)
四、随机选择元素
- 使用
random.choice(sequence)可以从传入的sequence（序列）中随机选择一个元素。 - 使用
random.sample(sequence, num)可以从sequence（序列）中随机选择num个元素，返回一个列表。
elements = ['apple', 'banana', 'cherry']
element = random.choice(elements) # 随机选择一种水果
print(element)
selected = random.sample(range(100), 10) # 从0 - 99中随机选择10个不重复的数
print(selected)
五、随机种子
随机种子的意义：在不同的地方，如果使用相同的随机种子，并且进行相同数量随机数生成操作，那么会得到一个完全相同的随机数序列。
通过使用
random.seed(num)来设定随机种子。
random.seed(1) # 初始设定随机种子为1，并且生成一个随机数赋值给a
a = random.randint(1, 10)
print(a)
random.seed(1) # 在次生成随机数之前，设定随机种子为1，并且生成一个随机数赋值给b，将会得到随机数的结果a与b相同。
b = random.randint(1, 10)
print(b)
六、随机排列元素
- 使用
random.shuffle(sequence)可以将sequence（序列）随机打乱。
list_item = [1, 2, 3, 4, 5]
random.shuffle(list_item)
list_item
七、指定位数的随机数（整数）
- 使用
random.getrandbits(num)可以生成num个二进制位的随机数值。生成随机数的范围是： [ 0 , 2 n u m − 1 ] [0, 2^{num} - 1] [0,2num−1]。
bits = random.getrandbits(10) # 获取10位的随机整数
print(bits)
八、从分布中取随机数
- 使用
random.gauss(mean, std)可以从一个均值为mean，标准差为std的分布中去一个随机数。特例：random.gauss(0, 1)表示从一个正太分布中取一个随机变量。 - 使用
random.paretovariate(alpha, theta=1)可以从Pareto Ⅱ分布中取一个随机数，其参数 θ \theta θ 默认为1。
normal_variate = random.gauss(0, 1) # 标准正太分布随机变量
normal_variate
pareto_variate = random.paretovariate(1.5) # pareto 分布的随机变量
pareto_variate
九、通过指定权重来随机选择
- 使用
random.choice(sequence: list, weights: list)方法可以通过设定sequence（序列）的权重，来进行随机选择。
weighted_elements = random.choices(['red', 'blue', 'green'], weights=[2, 1, 1]) # 根据权重选择元素
weighted_elements
numpy中的随机数
一、导入numpy库：
import numpy as np
二、生成随机数：
标准正态分布：
- 使用
np.random.randn(d0, d1, ..., dn)方法可以生成具有给定形状的数组，数组中的元素来自标准正态分布（均值为0，标准差为1）。
standard_normal = np.random.randn() # 单个标准正态分布随机数 array_normal = np.random.randn(3, 4) # 3x4数组，元素来自标准正态分布- 使用
均匀分布：
- 使用
np.random.rand(d0, d1, ..., dn)方法可以生成在 $[0, 1) $区间内均匀分布的随机数。
uniform_random = np.random.rand() # 单个[0, 1)区间的随机数 uniform_array = np.random.rand(2, 2) # 2x2数组，元素在[0, 1)区间- 使用
随机整数：
- 使用
np.random.randint(low, high, size, dtype)方法可以生成一个或多个随机整数，范围从low（包含）到high（不包含）。
random_int = np.random.randint(1, 10) # 1到9之间的随机整数 random_int_array = np.random.randint(1, 100, size=5) # 5个1到99之间的随机整数- 使用
三、分布采样：
NumPy random 模块提供了多种概率分布的采样函数，以下是一些例子：
正态分布：
- 使用
np.random.normal(loc=0.0, scale=1.0, size=None)方法可以从具有指定均值loc和标准差scale的正态分布中生成随机数。
normal_samples = np.random.normal(0, 1, 1000) # 均值为0，标准差为1的1000个随机数- 使用
二项分布：
- 使用
np.random.binomial(n, p, size=None)方法可以从具有指定参数n和成功概率p的二项分布中生成随机数。
binomial_samples = np.random.binomial(100, 0.5, 10) # n=100, p=0.5的10个随机数- 使用
泊松分布：
- 使用
np.random.poisson(lam=1.0, size=None)方法可以从具有指定平均值lam的泊松分布中生成随机数。
poisson_samples = np.random.poisson(lam=4, size=10) # 平均值为4的10个随机数- 使用
指数分布：
- 使用
np.random.exponential(scale=1.0, size=None)方法可以从具有指定比例参数scale的指数分布中生成随机数。
exponential_samples = np.random.exponential(scale=1, size=5) # 比例参数为1的5个随机数- 使用
四、随机排列和选择：
随机排列：
- 使用
np.random.shuffle(x)方法可以将序列x中的元素随机打乱位置。
list_items = [1, 2, 3, 4, 5] np.random.shuffle(list_items) # 打乱列表元素的顺序- 使用
随机选择：
- 使用
np.random.choice(a, size=None, replace=True, p=None)方法可以从a中选择元素，可以是有放回或无放回的。
choice = np.random.choice([1, 2, 3, 4, 5]) # 随机选择一个元素 choices = np.random.choice([1, 2, 3, 4, 5], size=2, replace=True) # 有放回地随机选择两个元素- 使用
五、设置随机数生成器的种子：
- 通过
np.random.seed(seed=None)方法来设置随机数生成器的种子，以确保结果的可重复性。
np.random.seed(0) # 设置随机数生成器的种子
