标签：random 概率密度 生成 分布 随机数 numpy size

1. 随机数：主要由 numpy.random 模块完成

numpy.random.rand(3，2，3)  #使用 [0,1) 区间随机数均匀分布填充一个(3,2,3)(自定义尺寸)数组
numpy.random.randn(3，2，3)  //  使用标准正态分布而已
np.random.randint(low, high, size, dtype)  //   [low, high)随机整数
np.random.random_sample(random_sample(size))  //  0, 1)随机浮点数
	• numpy.random.random([size])
	• numpy.random.ranf([size])
	• numpy.random.sample([size])
	同效果
choice(a, size, replace, p)  // 从a中随机抽取size个数据，类似随机抽样

example:
        np.random.choice(10, 5)：在 np.arange(10) 中随机抽取 5 个数

2. 概率密度分布：还提供了大量的满足特定概率密度分布的样本生成方法。它们的使用方法和上面非常相似。

• numpy.random.beta(a，b，size)：从 Beta 分布中生成随机数。
• numpy.random.binomial(n, p, size)：从二项分布中生成随机数。
• numpy.random.chisquare(df，size)：从卡方分布中生成随机数。
• numpy.random.dirichlet(alpha，size)：从 Dirichlet 分布中生成随机数。
• numpy.random.exponential(scale，size)：从指数分布中生成随机数。
• numpy.random.f(dfnum，dfden，size)：从 F 分布中生成随机数。
• numpy.random.gamma(shape，scale，size)：从 Gamma 分布中生成随机数。
• numpy.random.geometric(p，size)：从几何分布中生成随机数。
• numpy.random.gumbel(loc，scale，size)：从 Gumbel 分布中生成随机数。
• numpy.random.hypergeometric(ngood, nbad, nsample, size)：从超几何分布中生成随机数。
• numpy.random.laplace(loc，scale，size)：从拉普拉斯双指数分布中生成随机数。
• numpy.random.logistic(loc，scale，size)：从逻辑分布中生成随机数。
• numpy.random.lognormal(mean，sigma，size)：从对数正态分布中生成随机数。
• numpy.random.logseries(p，size)：从对数系列分布中生成随机数。
• numpy.random.multinomial(n，pvals，size)：从多项分布中生成随机数。
• numpy.random.multivariate_normal(mean, cov, size)：从多变量正态分布绘制随机样本。
• numpy.random.negative_binomial(n, p, size)：从负二项分布中生成随机数。
• numpy.random.noncentral_chisquare(df，nonc，size)：从非中心卡方分布中生成随机数。
• numpy.random.noncentral_f(dfnum, dfden, nonc, size)：从非中心 F 分布中抽取样本。
• numpy.random.normal(loc，scale，size)：从正态分布绘制随机样本。
• numpy.random.pareto(a，size)：从具有指定形状的 Pareto II 或 Lomax 分布中生成随机数。
• numpy.random.poisson(lam，size)：从泊松分布中生成随机数。
• numpy.random.power(a，size)：从具有正指数 a-1 的功率分布中在 0，1 中生成随机数。
• numpy.random.rayleigh(scale，size)：从瑞利分布中生成随机数。
• numpy.random.standard_cauchy(size)：从标准 Cauchy 分布中生成随机数。
• numpy.random.standard_exponential(size)：从标准指数分布中生成随机数。
• numpy.random.standard_gamma(shape，size)：从标准 Gamma 分布中生成随机数。
• numpy.random.standard_normal(size)：从标准正态分布中生成随机数。
• numpy.random.standard_t(df，size)：从具有 df 自由度的标准学生 t 分布中生成随机数。
• numpy.random.triangular(left，mode，right，size)：从三角分布中生成随机数。
• numpy.random.uniform(low，high，size)：从均匀分布中生成随机数。
• numpy.random.vonmises(mu，kappa，size)：从 von Mises 分布中生成随机数。
• numpy.random.wald(mean，scale，size)：从 Wald 或反高斯分布中生成随机数。
• numpy.random.weibull(a，size)：从威布尔分布中生成随机数。
• numpy.random.zipf(a，size)：从 Zipf 分布中生成随机数。

标签：random,概率密度,生成,分布,随机数,numpy,size
来源： https://blog.csdn.net/qq_40243750/article/details/113771620

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。