Python产生均匀分布随机数 numpy生成均匀分布随机数

Numpy模块的随机数主要是用来生成数据的，因为我们在开始学做数据分析的时候可能找不到一定的数据来练习，所以可以利用Numpy来生成一定的数据辅助我们做数据分析，换个角度来讲呢，就是说这一部分很重要啦！！！
Numpy模块生成随机数主要使用random部分，我们来具体看一下：
（1）正太分布样本值normal
normal这个单词一看就很标准，所以使用random.normal()呢可以生成标准正太分布样本值

samples = np.random.normal(size=(4,4))#随机生成4*4的二维数组
print(samples)

输出结果：

（2）均匀分布浮点数rand

rand函数随机生成浮点数或者是浮点数数数组，当生成的浮点数数量很大的时候，整个数据服从均匀分布，均匀分布就是整个数据分布看起来非常的均匀，说起来可能有一些抽象，我们来看一些具体的例子

b = np.random.rand(4)
print(b,type(b))  # 生成形状为4的一维数组

c = np.random.rand(2,3)
print(c,type(c))  # 生成形状为2*3的二维数组，注意这里不是((2,3))

输出结果：

我们再来看一下当生成大量数据时的数据分布情况

import matplotlib.pyplot as plt  # 导入matplotlib模块，用于图表辅助分析
%matplotlib inline 
# 魔法函数，每次运行自动生成图表
samples1 = np.random.rand(1000)
samples2 = np.random.rand(1000)
plt.scatter(samples1,samples2)
# 生成1000个均匀分布的样本值

输出结果：

看输出结果还真的是非常的均匀哈

（3）正态分布randn

random.randn（）也是生成正态分布数据，但是跟normal的使用还是有一定的差别，normal有size参数，randn没有，比如生成4*4的二维数组，normal的表达方式是random.normal(size=(4,4)),randn的表达方式是random.randn(4,4)

samples = np.random.normal(size=(4,4))
sample3=np.random.randn(4,4)
print(samples)
print('---------')
print(sample3)

输出结果：

再来看randn生成大量数据时的分布情况

samples1 = np.random.randn(1000)
samples2 = np.random.randn(1000)
plt.scatter(samples1,samples2)

输出结果：

可以看出来与rand生成的均匀分布数据还是有很大的差别

（4）随机整数randint

前面生成的数据都是浮点数，现在我们来看一下生成随机整数

print(np.random.randint(2))
# low=2：生成1个[0,2)之间随机整数  

print(np.random.randint(2,size=5))
# low=2,size=5 ：生成5个[0,2)之间随机整数

print(np.random.randint(2,6,size=5))
# low=2,high=6,size=5：生成5个[2,6)之间随机整数  

print(np.random.randint(2,size=(2,3)))
# low=2,size=(2,3)：生成一个2x3整数数组,取数范围：[0,2)随机整数 

print(np.random.randint(2,6,(2,3)))
# low=2,high=6,size=(2,3)：生成一个2*3整数数组,取值范围：[2,6)随机整数

输出结果：

今天的分享就到这里啦，有问题的话可以私聊我哦，看到都会回的，没回就是在写作业啦~