python产生正态分布随机数_转 载python数据分析(1)-numpy产生随机数
总体来说，numpy.random模块分为四个部分，对应四种功能：
1. 简单随机数： 产生简单的随机数据，可以是任何维度
2. 排列：将所给对象随机排列
3. 分布：产生指定分布的数据，如高斯分布等
4. 生成器：种随机数种子，根据同一种子产生的随机数是相同的
以下是详细内容以及代码实例：（以下代码默认已导入numpy：import numpy as np ）
1. 生成器
电脑产生随机数需要明白以下几点：
（1）随机数是由随机种子根据一定的计算方法计算出来的数值。所以，只要计算方法一定，随机种子一定，那么产生的随机数就不会变。
（2）只要用户不设置随机种子，那么在默认情况下随机种子来自系统时钟（即定时/计数器的值）
（3）随机数产生的算法与系统有关，Windows和Linux是不同的，也就是说，即便是随机种子一样，不同系统产生的随机数也不一样。
numpy.random 设置种子的方法有：
函数名称函数功能参数说明
RandomState
定义种子类
RandomState是一个种子类，提供了各种种子方法，最常用seed
seed([seed])
定义全局种子
参数为整数或者矩阵
代码示例：
np.random.seed(1234) #设置随机种子为1234
1
2. 简单随机数
函数名称函数功能参数说明
rand(d0, d1, …, dn)
产生均匀分布的随机数
dn为第n维数据的维度
randn(d0, d1, …, dn)
产生标准正态分布随机数
dn为第n维数据的维度
randint(low[, high, size, dtype])
产生随机整数
low：最小值；high：最大值；size：数据个数
random_sample([size])
在[0,1）内产生随机数
size：随机数的shape，可以为元祖或者列表，[2,3]表示2维随机数，维度为（2,3）
random([size])
同random_sample([size])
同random_sample([size])
ranf([size])
同random_sample([size])
同random_sample([size])
sample([size]))
同random_sample([size])
同random_sample([size])
choice(a[, size, replace, p])
从a中随机选择指定数据
a：1维数组 size：返回数据形状
bytes(length)
返回随机位
length：位的长度
代码示例
(1) np.random.rand(2,3) #产生2行三列均匀分布随机数组
Out[7]:
array([[ 0.35369993, 0.0086019 , 0.52609906],
[ 0.31978928, 0.27069309, 0.21930115]])
（2）In [8]: np.random.randn(3,3) #三行三列正态分布随机数据
Out[8]:
array([[ 2.29864491, 0.52591291, -0.80812825],
[ 0.37035029, -0.07191693, -0.76625886],
[-1.264493 , 1.12006474, -0.45698648]])
（3）In [9]: np.random.randint(1,100,[5,5]) #(1,100）以内的5行5列随机整数
Out[9]:
array([[87, 69, 3, 86, 85],
[13, 49, 59, 7, 31],
[19, 96, 70, 10, 71],
[91, 10, 52, 38, 49],
[ 8, 21, 55, 96, 34]])
（4）In [10]: np.random.random(10) #(0,1）以内10个随机浮点数
Out[10]:
array([ 0.33846136, 0.06517708, 0.41138166, 0.34638839, 0.41977818,
0.37188863, 0.2508949 , 0.89923638, 0.51341298, 0.71233872])
（5）In [11]: np.random.choice(10) #[0,10)内随机选择一个数
Out[11]: 7
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
3. 分布
numpy.random模块提供了产生各种分布随机数的API：
函数名称函数功能参数说明
beta(a, b[, size])
贝塔分布样本，在 [0, 1]内。
binomial(n, p[, size])
二项分布的样本。
chisquare(df[, size])
卡方分布样本。
dirichlet(alpha[, size])
狄利克雷分布样本。
exponential([scale, size])
指数分布
f(dfnum, dfden[, size])
F分布样本。
gamma(shape[, scale, size])
伽马分布
geometric(p[, size])
几何分布
gumbel([loc, scale, size])
耿贝尔分布。
hypergeometric(ngood, nbad, nsample[, size])
超几何分布样本。
laplace([loc, scale, size])
拉普拉斯或双指数分布样本
logistic([loc, scale, size])
Logistic分布样本
lognormal([mean, sigma, size])
对数正态分布
logseries(p[, size])
对数级数分布。
multinomial(n, pvals[, size])
多项分布
multivariate_normal(mean, cov[, size])
多元正态分布。
negative_binomial(n, p[, size])
负二项分布
noncentral_chisquare(df, nonc[, size])
非中心卡方分布
noncentral_f(dfnum, dfden, nonc[, size])
非中心F分布
normal([loc, scale, size])
正态(高斯)分布
pareto(a[, size])
帕累托（Lomax）分布
poisson([lam, size])
泊松分布
power(a[, size])
Draws samples in [0, 1] from a power distribution with positive exponent a - 1.
rayleigh([scale, size])
Rayleigh 分布
standard_cauchy([size])
标准柯西分布
standard_exponential([size])
标准的指数分布
standard_gamma(shape[, size])
标准伽马分布
standard_normal([size])
标准正态分布 (mean=0, stdev=1).
standard_t(df[, size])
Standard Student’s t distribution with df degrees of freedom.
triangular(left, mode, right[, size])
三角形分布
uniform([low, high, size])
均匀分布
vonmises(mu, kappa[, size])
von Mises分布
wald(mean, scale[, size])
瓦尔德（逆高斯）分布
weibull(a[, size])
Weibull 分布
zipf(a[, size])
齐普夫分布
代码示例
(1)正态分布
import numpy as np
import matplotlib.pyplot as plt
mu = 1 #期望为1
sigma = 3 #标准差为3
num = 10000 #个数为10000
rand_data = np.random.normal(mu, sigma, num)
count, bins, ignored = plt.hist(rand_data, 30, normed=True)
plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *np.exp( - (bins - mu)**2 / (2 * sigma**2)), linewidth=2, color='r')
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
得到图像：
4. 排列
函数名称函数功能参数说明
shuffle(x)
打乱对象x（多维矩阵按照第一维打乱）
矩阵或者列表
permutation(x)
打乱并返回该对象（多维矩阵按照第一维打乱）
整数或者矩阵
代码示例
(1)正态分布
import numpy as np
rand_data = np.random.randint(1, 10, (3, 4))
print(rand_data)
np.random.shuffle(rand_data)
print(rand_data)
out：
[[4 4 4 8]
[5 6 8 2]
[1 7 6 6]]
[[4 4 4 8]
[1 7 6 6]
[5 6 8 2]]
（按照行打乱了，也就是交换了行）