在我们进行python数据分析的学习和应用过程中，经常需要用到numpy的随机函数，由于随机函数random的功能比较多，经常会混淆或记不住，下面由我进行一部分的总结

1.numpy.random.rand

numpy.random.rand(d₁ , d₂,…d_n)

• rand函数创建一个给定类型的数组，将其填充在一个均匀分布的随机样本[0, 1)中。

a=np.random.rand(2,2)#shape:2*2
print(a)

[[0.22305618 0.64853825]
 [0.11869553 0.72075008]]

2. numpy.random.randn()

numpy.random.randn(d₁ , d₂,…d_n)

• randn函数返回一个或一组样本，具有标准正太分布
• d_n表示每个维度
• 返回值为指定维度的array

a=np.random.randn(2,2)
print(a)

[[ 1.01707121 -1.1918371 ]
 [ 0.13439038 -0.39383015]]

2.1 numpy.random.normal()

上述的randn描述的是一个标准正太分布，我需要描述非标准正太分布呢？就要运用这个normal函数了。对于numpy.random.normal函数，有三个参数（loc, scale, size），均值为 loc（mu），标准差为 scale（sigma），大小为 size 的数组。

mu=5
sigma=0.5
x = np.random.normal(mu, sigma, (2, 4))
print(x)

[[4.89826882 5.02645559 5.53955844 4.89905684]
 [5.47951935 5.55261364 5.29582032 5.37455238]]

3.numpy.random.binomial()

numpy.random.binomial(n,p,size=None)

• n表示做了n重伯努利试验，这个n可以是整数型也可以是浮点型，但如果n是浮点型，在使用过程中会被截断。
• p表示一次实验成功的概率
• size为int或int元组，可选输出形状。如果给定的形状，如果size为（默认），则和均为标量时，将返回单个值。

3.1举例分析

从分布中抽取样本：投掷硬币10次的结果，测试了1000次。

n, p = 10, 0.5  # n样本数量, p每个样本的概率
size=1000
s = np.random.binomial(n, p, size)
print(np.sum(s==5)/size)

输出：
0.23

4.numpy.random.poisson（）

泊松分布主要用于估计某个时间段某事件发生的概率。
泊松分布的数学式为：

numpy.random.poisson(lam=1,size=None)有两个参数

• lam表示一个单位内发生事件的平均值，函数的返回值表示一个单位内事件发生的次数。
• size表示采样的次数。

4.1举例

为发生次数2生成随机的1×10分布：

from numpy import random

x = random.poisson(lam=2, size=10)

print(x)
#输出：
[2 3 0 2 3 2 4 1 0 1]

5.numpy.random.hypergeometric（）

在超几何分布中，各次实验不是独立的，各次实验成功的概率也不等。
超几何分布的数学式为：

np.random.hypergeometric(ngood, nbad, nsample, size=None)有四个参数。

• ngood表示总体中代表成功的个数。
• nbad表示总数中不成功的个数。
• nsample表示抽取元素的次数（小于或等于总体样本容量）。
• size表示采样的次数。

5.1举例

【例】一共15条鱼里有7条是金鱼，抽取8条中有3条是金鱼的概率（无放回抽样）。

size = 50000
x=np.random.hypergeometric(ngood=7,nbad=15,nsample=8,size=size)

print(np.sum(x==3)/size) 
#输出：
0.32696

上面是离散型随机变量，下面的是连续型随机变量。

6.numpy.random.uniform（）

numpy.random.uniform(low=0.0, high=1.0, size=None) 含义为，从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high。

• low: 采样下界，float类型，默认值为0；
• high: 采样上界，float类型，默认值为1；
• size: 输出样本数目，为int或元组(tuple)类型，例如，size=(m,n,k), 则输出m *n * k个样本，缺省时输出1个值。

7.numpy.random.exponential()

指数分布用于描述直到下一个事件的时间，例如 失败/成功等
它有两个参数:

• scale为lambda的倒数,默认为1.0。
• size表示采样的次数。

其他随机函数

8. numpy.random.choice()

处理数据时经常需要从数组中随机抽取元素，这时候就需要用到np.random.choice()。然而choice用法的官方解释并不详细，尤其是对replace参数的解释，例子也不是很全面。我将通过下面的几个例子来说明choice()函数的用法。

8.1 举例说明

8.1.1产生随机数

np.random.choice(5)#从[0, 5)中随机输出一个随机数
#相当于np.random.randint(0, 5)

np.random.choice(5, 3)#在[0, 5)内输出五个数字并组成一维数组（ndarray）
#相当于np.random.randint(0, 5, 3)

而且可以从数组、列表或者元组中随机抽取，当然还有一个值得注意的地方，不管是什么类型，它必须是一维的！！！！
比如

A0 = np.arange(15).reshape(5, 3)
np.random.choice(A0, 5)#如果是二维数组，会报错
	ValueError: 'a' must be 1-dimensional

8.1.2参数replace

用来设置是否可以取相同元素：True表示可以取相同数字；False表示不可以取相同数字。默认是True。

np.random.choice(5, 6, replace=True)#可以看到有相同元素
	array([3, 4, 1, 1, 0, 3])
np.random.choice(5, 6, replace=False)#会报错，因为五个数字中取六个，不可能不取到重复的数字
	ValueError: Cannot take a larger sample than population when 'replace=False'

8.1.3参数p

p实际是个数组，大小应该与指定的a相同，用来规定选取a中每个元素的概率，默认为概率相同。

9.numpy.random.shuffle()

shuffle直接在原来的数组上进行操作，改变原来数组的顺序，无返回值(是对列表x中的所有元素随机打乱顺序，若x不是列表，则报错)。

import numpy as np
arr = np.arange(5)
np.random.shuffle(arr)
print(arr)
# 输出：[4 3 0 2 1]

多维矩阵中，只对第一维（行）做打乱顺序操作:

arr = np.arange(9).reshape((3, 3))
np.random.shuffle(arr)
print(arr)
array([[3, 4, 5],
       [6, 7, 8],
       [0, 1, 2]])

10.numpy.random.permutation()

random.permutation()与random.shuffle()效果相同，可以打乱第0轴的数据，但是它不会改变原来的数组。

结语

感谢大家浏览，也希望大家批评指正。