Python numpy之np.random随机数生成详解

"这篇文档介绍了Python的numpy库中np.random模块的随机数生成函数，包括rand、randn和randint，以及如何设置随机数种子。这些函数用于在Python中生成不同分布的随机数，适用于模拟、数据分析和各种计算任务。" 在Python的科学计算领域，numpy库是一个不可或缺的工具，其提供了丰富的数组操作功能。特别是对于生成随机数，numpy的np.random模块提供了多种方便的函数。以下是这些函数的详细说明： 1. **np.random.rand(d0, d1, ..., dn)**：这个函数用于生成一个形状为(d0, d1, ..., dn)的浮点数数组，其中所有的随机数都位于[0, 1)区间内，遵循均匀分布。例如，在文档中的例子中，`np.random.rand(3, 4, 5)`生成了一个3x4x5的数组，其中每个元素都是[0, 1)之间的随机浮点数。 2. **np.random.randn(d0, d1, ..., dn)**：与rand类似，但这个函数生成的随机数服从标准正态分布，即均值为0，标准差为1的连续分布。这种分布广泛应用于统计学和机器学习中，用来模拟自然现象或者数据的不确定性。 3. **np.random.randint(low[, high, shape])**：这个函数用于生成指定形状(shape)的整数数组，随机数的范围是闭区间[low, high]。如果不提供`high`参数，那么默认`high`等于`low+1`，即生成的是[low, low+1)之间的整数。例如，`np.random.randint(1, 10, (2, 3))`会生成一个2x3的矩阵，元素取值在1到10之间。 4. **np.random.seed(s)**：此函数用于设定随机数生成器的种子。在进行重复性实验或确保每次运行相同代码时得到相同随机数序列的情况下，可以设置一个特定的种子值`s`。如果不设定种子，随机数生成器将基于当前时间自动选择种子，导致每次运行的结果可能不同。 通过这些函数，开发者可以根据需求生成各种类型的随机数序列，进行模拟实验、数据分析或训练机器学习模型等任务。在实际应用中，可以灵活组合这些函数来创建符合特定分布或形状的随机数据集。同时，配合numpy的其他数组操作函数，可以实现更复杂的随机数生成场景。