随机数
我们可以使用Python的ramdom()方法，不过这里我们使用Numpy的random()方法。先看代码：
import numpy as np
np.random.seed(0)
np.random.random(10)
array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ,
0.64589411, 0.43758721, 0.891773 , 0.96366276, 0.38344152])
np.random.seed(0)
np.random.random(10)
array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ,
0.64589411, 0.43758721, 0.891773 , 0.96366276, 0.38344152])
首先我们可以看到，使用np.random.random(10)生成了十个随机数。这些随机数符合连续平均分布。
但是注意，通过使用相同的seed(n)，我们生成的随机数是相同的！
我们可以使用matplotlib画出我们生成的随机数，以便有一个直观映像。关于matplotlib，请确定已经安装。
%matplotlib inline
import matplotlib.pyplot as plt
x = np.arange(0, 1, 0.001)
np.random.seed(0)
y = np.random.random(1000)
plt.plot(x, y)
plt.show()
随机整数
numpy.random.randint(low, high=None, size=None)
print(np.random.randint(1, 7))
print(np.random.randint(1, 7, size=3))
5
[5 3 3]
各种分布
平均分布
我么使用直方图来展示下面分布。
以下内容，如果没有什么难度，不再摘抄官方文档或者解释，自己查阅文档即可。如果使用Jupyter的话，直接shift+tab即可快速阅读文档。
values = np.random.uniform(-10.0, 10.0, 100000)
plt.hist(values, 50)
plt.show()
正态分布
mu = 5.0 # 期望
sigma = 2.0 # 标准差
values = np.random.normal(mu, sigma, 10000)
plt.hist(values, 50)
plt.show()
求解基本的概率问题
期望
values.mean()
# 或者
np.mean(values) # 这个形式比较容易和后面的统一，相对好记
5.0030194542513033
中位数
np.median(values) # values.median()不能运行
4.9983038429561848
标准差
np.std(values)
1.9979958260724584
方差
np.var(values)
3.9919873210029655
还有更多可用，但是都写出来就太烦人了，用到了自己查就好
随机选择
有时候我们需要从一个数组中选一个元素，如果不用随机索引元素位置的话，可以这样：
possible_destinations = ["Berlin", "Hamburg", "Munich",
"Amsterdam", "London", "Paris",
"Zurich", "Heidelberg", "Strasbourg",
"Augsburg", "Milan", "Rome"]
print(np.random.choice(possible_destinations))
Heidelberg
x1 = np.random.choice(possible_destinations, size=3) # 返回长度为3的向量
print(x1)
x2 = np.random.choice(possible_destinations, size=(3, 4)) # 返回3 * 4数组
print(x2)
print(type(x2))
['Zurich' 'Paris' 'London']
[['Rome' 'Paris' 'London' 'Amsterdam']
['Hamburg' 'Strasbourg' 'London' 'Augsburg']
['Milan' 'Heidelberg' 'London' 'Berlin']]
<class 'numpy.ndarray'>
