Python教程

python中random(numpy.random)随机数的使用

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!