numpy中生成随机数的技巧汇总

numpy.random是numpy的一个子模块，用于生成随机数，在新版的numpy中，有以下两种生成随机数的方式

1. RandomState
   

2. Generator
   

其中Generator是新版本推荐的方式，RandomState是之前旧版本的方式，只是为了考虑兼容性，依然进行了保留，通过例子来看下两种方式生成随机数的不同

>>> import numpy as np
# RandomState
>>> np.random.rand()
0.2664380895099785

# Generator
>>> rng = np.random.default_rng()
>>> rng.random()
0.7788651549635489

两种方式对应的方法大部分是相同的，但是也有小部分不一样，在使用中需要注意，比如rand, randn等方法是RandomState独有的，而integers方法是Generator独有的。

计算器模拟产生的随机数都是伪随机数，通过设置随机数种子发生器，可以保证每次随机的结果都相同，用法如下

# 未设置，每次随机的结果不同
>>> np.random.rand()
0.8707323061773764
>>> np.random.rand()
0.20671915533942642


# 设置相同的seed, 可以保证重复性
>>> np.random.seed(5)
>>> np.random.rand()
0.22199317108973948
>>> np.random.seed(5)
>>> np.random.rand()
0.22199317108973948


>>> rng = np.random.default_rng(5)
>>> rng.random()
0.5118216247002567
>>> rng = np.random.default_rng(5)
>>> rng.random()
0.5118216247002567

随机数的应用，主要有以下三种场景

1.  产生简单随机数

对于RandomState而言，有以下几种方法，示例如下

# rand函数
# 默认生成一个0到1之间，符合均匀分布的浮点数
>>> np.random.rand()
0.8707323061773764
# 设置数组的形状，1个参数表示1维数组
>>> np.random.rand(2)
array([ 0.20671916, 0.91861091])
# 两个数组表示二维数组
>>> np.random.rand(2,2)
array([[ 0.48841119, 0.61174386],
       [ 0.76590786, 0.51841799]])

# sample函数
# 抽取0到1之前的随机数
>>> np.random.sample((2,2))
array([[ 0.57261865, 0.41138362],
       [ 0.9851368 , 0.80140153]])

# random函数
# 抽取0到1之前的随机数
>>> np.random.random((2,2))
array([[ 0.08507046, 0.80777744],
       [ 0.17025008, 0.19534463]])

# randn函数
# 抽取标准正态分布的值
>>> np.random.randn(2,2)
array([[ 0.49355766, 0.50048733],
       [ 0.79242262, 0.17076445]])

# randint函数
# 从起始值和终止值之间随机抽取整数
# 默认的起始值为0
>>> np.random.randint(9, 14, size = (2, 2))
array([[13, 12],
       [10, 13]])

在Generator中，则是提供了random和integers方法，示例如下

>>> rng = np.random.default_rng()
>>> rng.random()
0.5118216247002567

>>> rng.random(2)
array([0.94864945, 0.31183145])

>>> rng.random((2,2))
array([[0.42332645, 0.82770259],
       [0.40919914, 0.54959369]])

>>> rng.integers(9, 14, size=(2, 2))
array([[10, 11],
       [12, 9]], dtype=int64)

2. 从已有序列中进行随机抽样

choice函数可以从一个序列中随机抽取其中的元素，支持有放回和无放回的抽样，默认为有放回的抽样，示例如下

>>> a = np.arange(10)
>>> np.random.choice(a, 2)
array([5, 9])


>>> rng.choice(a, 2)
array([1, 3])
```

shuffle函数可以随机打乱一个序列的顺序，示例如下

```
>>> a = np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> np.random.shuffle(a)
>>> a
array([4, 6, 7, 5, 8, 0, 1, 2, 9, 3])


>>> a = np.arange(10)
>>> a
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> rng.shuffle(a)
>>> a
array([7, 5, 8, 4, 0, 6, 1, 2, 3, 9])

3. 随机抽取符合特定分布的序列

支持非常多的分布，以正态分布为例，示例如下

>>> np.random.normal(size=(2,2))
array([[ 1.5165287 , 0.27475753],
       [ 0.43851311, 0.99499231]])

>>> rng.normal(size=(2, 2))
array([[ 2.04277161, 0.646703 ],
       [ 0.66306337, -0.51400637]])

每个分布对应一个函数，常见的几种分布对应的函数如下

1. binomial 二项分布
   

2. chisquare 卡方分布
   

3. normal 正态分布
   

4. poisson 泊松分布
   

5. standard_normal 标准正态分布
   

6. uniform 均匀分布
   

numpy中的随机数相比内置的random模块，运行速度更快，功能也更加强大。

·end·