NumPy - 随机数生成器

NumPy 随机数生成器

NumPy 中的随机数生成器用于生成随机数并执行随机采样。

NumPy 中的随机模块提供了丰富的随机数生成函数，从生成随机整数和浮点数，到更复杂的分布，例如正态分布、均匀分布和二项分布。

在本教程中，我们将探索如何使用 NumPy 随机数生成器生成随机数据，并讨论该模块中的重要函数。

NumPy 随机模块?

NumPy 随机模块是 NumPy 库中的一个子模块，包含用于生成随机数、执行随机采样和生成随机分布的函数。它提供了 numpy.random 包，支持根据各种概率分布(例如均匀分布、正态分布和二项分布)创建随机数。

使用 NumPy 的随机数生成器，我们可以生成可用于模拟、随机测试甚至加密操作的随机值。生成的随机数是伪随机的，这意味着它们是通过确定性过程生成的，但看起来是随机的。

可以使用随机种子控制随机数序列，从而确保模拟和实验的可重复性。

NumPy 的随机数生成器如何工作?

NumPy 随机数生成器建立在名为梅森旋转算法 (Mersenne Twister) 的伪随机数生成器 (PRNG) 算法之上。 PRNG 的关键特性在于它能够生成接近真随机性的数列，但该数列由一个初始值(称为种子)决定。

通过设置相同的种子，可以确保每次运行代码时生成的随机数序列都相同，这对于科学实验的可重复性至关重要。

设置随机数生成器的种子

为了控制随机数生成过程，NumPy 提供了 numpy.random.seed() 函数，该函数用于设置随机数生成器的种子。这使得每次运行程序时都能生成相同的随机数。

示例

在下面的示例中，通过设置相同的种子值(本例中为 42)，我们每次运行代码时都会得到相同的随机数序列。这有助于确保实验和调试过程中的一致性 -

import numpy as np

# 设置种子以确保可重复性
np.random.seed(42)

# 生成随机数
random_numbers_1 = np.random.random(5)

# 使用相同的种子生成相同的随机数
np.random.seed(42)
random_numbers_2 = np.random.random(5)

# 显示结果
print("第一个随机数:", random_numbers_1)
print("第二个随机数:", random_numbers_2)

以下是获得的输出 -

第一个随机数:[0.37454012 0.95071431 0.73199394 0.59865848 0.15601864]
第二个随机数:[0.37454012 0.95071431 0.73199394 0.59865848 0.15601864]

生成随机数

NumPy 提供了各种生成随机数的函数。这里，我们将探讨一些最常用的函数 -

随机浮点数

numpy.random.random() 函数生成介于 0 和 1 之间的随机浮点数。您可以通过传递所需的维度作为参数来指定输出数组的形状。例如 -

import numpy as np

# 生成 5 个介于 0 到 1 之间的随机浮点数
random_floats = np.random.random(5)
print("随机浮点数:", random_floats)

生成的结果如下 -

随机浮点数:[0.96177309 0.75071326 0.44828032 0.53441928 0.56717514]

随机整数

numpy.random.randint() 函数用于生成指定范围内的随机整数。您可以指定最低值和最高值，它将返回介于最低值(含)和最高值(不含)之间的整数。以下是示例 -

import numpy as np

# 生成 5 个介于 10(含)和 100(不含)之间的随机整数
random_integers = np.random.randint(10, 100, size=5)
print("随机整数:", random_integers)

执行上述代码后，我们得到以下输出 -

随机整数:[13 38 56 94 78]

基于正态分布的随机数

numpy.random.normal() 函数生成服从正态(高斯)分布且具有指定均值和标准差的随机数。您还可以指定输出数组的大小。工作原理如下:-

import numpy as np

# 生成 5 个服从正态分布的随机数，其中均值为 0，标准差为 1
random_normal = np.random.normal(0, 1, 5)
print("服从正态分布的随机数:", random_normal)

输出结果如下:-

服从正态分布的随机数:[ 0.52379705  0.3169246   0.76473415 -0.73006407 -0.50259886]

服从均匀分布的随机数

numpy.random.uniform() 函数生成随机给定范围内的均匀分布的数字。下面是一个生成 5 个介于 1.0 和 10.0 之间的随机数的示例 -

import numpy as np

# 生成 5 个介于 1.0 和 10.0 之间的随机数
random_uniform = np.random.uniform(1.0, 10.0, 5)
print("均匀分布的随机数:", random_uniform)

生成的结果如下 -

均匀分布的随机数:[4.92412702 2.57524084 1.71870242 3.71017627 6.19920522]

使用替换

有时，我们需要从数组中随机选择元素。 NumPy 提供了 numpy.random.choice() 函数，允许您执行有放回或无放回的随机抽样。

示例

在下面的示例中，该函数从数组中放回地随机选择 3 个元素，这意味着元素可以多次选择 -

import numpy as np

# 定义一个元素数组
array = np.array([1, 2, 3, 4, 5])

# 从数组中随机选择 3 个元素，并进行放回
sample_with_replacement = np.random.choice(array, 3, replace=True)
print("有放回的随机样本:", sample_with_replacement)

结果如下 -

有放回的随机样本:[5 3 5]

数组打乱

另一个有用的操作是随机打乱数组元素。NumPy 提供了 numpy.random.shuffle() 函数来实现此目的。它对数组元素进行随机原地置换。

示例

在下面的示例中，我们使用 NumPy 中的 numpy.random.shuffle() 函数对数组进行打乱 -

import numpy as np

# 定义一个数组
array = np.array([1, 2, 3, 4, 5])

# 原地打乱数组
np.random.shuffle(array)
print("打乱后的数组:", array)

得到的输出如下所示 -

打乱后的数组:[4 2 3 5 1]