- 让程序变得真正地不确定很难，但也有办法让它至少看起来是不确定的。一种办法是使用算法来生成伪随机数 。伪随机数并不是真正随机的，因为它们是通过一个确定性的算法生成的，但若只看输出的数字的话，几乎不可能看出来和随机数有什么区别。
- 随机数种子（numpy.random.seed()）
# 当我们设置相同的seed，每次生成的随机数相同。
np.random.seed(10)
np.random.rand(5)
- 随机整数（numpy.random.randint()）:函数randint 接收参数low 和high ，并返回low 和high 之间（两者都包含）的一个整数。
# 范围[low,high）
np.random.randint(-5,6,size=(5,6))
![[Pasted image 20211129183520.png]]
- 在给定集合中生成随机数（numpy.random.choice()）
# 语法结构：numpy.random.choice(a, size=None, replace=True, p=None)
# size指定行列，p指定给定集合元素的抽取概率
# example1： a=5，即使用np.arange(5)生成0-4的五个数，size=20
np.random.choice(5,20)
# example2：
demo_list = ['000001', '000002','000003','000004', '000005']
np.random.choice(demo_list,size=(5,3), p=[0.1,0.1,0.1,0.1,0.6])
- 标准正态分布（np.random.standard_normal() & np.random.randn()）
np.random.standard_normal() # 产生单个随机数
np.random.standard_normal(5) # 产生1d array
a = np.random.standard_normal((2, 6)) # 2d array，两维数组，2行6列；
np.round(a, 3) #四舍五入，保留3位小数；
np.random.randn(2,4) # 更方便
- 正态分布（np.random.normal()）
# loc--期望值μ，
# scale--标准差σ
np.random.normal(loc=0.0, scale=1.0, size=1000)
np.random.normal(loc=0.0, scale=1.0, size=[3,2])
- 均匀分布 （np.random.random() & np.random.rand()）（包括0.0，但不包括1.0）
np.random.random((4,2))
np.random.rand(4,2)
- 随机打乱ndaray内元素的顺序（
np.random.shuffle()）
data = np.arange(10)
np.random.shuffle(data)