Numpy随机数据生成

Numpy随机数据生成

基本随机数生成

1. 均匀分布随机数

import numpy as np

# 生成[0,1)之间的随机数
print(np.random.random())        # 单个随机数: 0.374
print(np.random.random(5))       # 一维数组: [0.95  0.73  0.59  0.156 0.058]
print(np.random.random((2,3)))   # 二维数组: 2×3矩阵

# 指定范围的随机数
print(np.random.uniform(1, 10))     # [1,10)之间: 7.2
print(np.random.uniform(1, 10, 5))  # 生成5个数

2. 整数随机数

import numpy as np

# randint(low, high, size)
print(np.random.randint(1, 11))      # [1,11)之间整数: 7
print(np.random.randint(1, 11, 5))   # 5个随机整数
print(np.random.randint(1, 11, (2,3))) # 2×3矩阵

常见分布

1. 正态分布（高斯分布）

import numpy as np

# normal(均值, 标准差, 形状)
print(np.random.normal())           # 标准正态分布 N(0,1)
print(np.random.normal(5, 2))       # 均值5，标准差2
print(np.random.normal(0, 1, 100))  # 100个标准正态分布数


# randn 生成标准正态分布（均值为0，标准差为1）随机数的函数
print(np.random.randn())        # 输出: -0.234
print(np.random.randn(5))       # 输出: [ 0.123 -1.456  0.789 -0.234  1.567]
print(np.random.randn(2, 3))    # 输出: 2×3矩阵
print(np.random.randn(2, 2, 3)) # 输出: 2×2×3张量

2. 其他分布

import numpy as np

# 指数分布
print(np.random.exponential(2.0, 5))  # λ=2.0的指数分布

# 泊松分布  
print(np.random.poisson(3, 5))       # λ=3的泊松分布

# 二项分布
print(np.random.binomial(10, 0.5, 5)) # n=10, p=0.5的二项分布

数组操作

1. 随机选择

import numpy as np

# 从数组中随机选择
arr = np.array([1, 2, 3, 4, 5])
print(np.random.choice(arr))         # 随机选1个: 3
print(np.random.choice(arr, 3))      # 随机选3个(可重复)
print(np.random.choice(arr, 3, replace=False))  # 不重复选3个

# 带权重选择
weights = [0.1, 0.2, 0.3, 0.2, 0.2]
print(np.random.choice(arr, 3, p=weights))

2. 随机排列

import numpy as np

# 打乱数组
arr = np.array([1, 2, 3, 4, 5])
np.random.shuffle(arr)    # 原地打乱
print(arr)                # [3 1 5 2 4]

# 返回打乱后的副本
arr = np.array([1, 2, 3, 4, 5])
shuffled = np.random.permutation(arr)
print(shuffled)           # [2 4 1 5 3]
print(arr)               # 原数组不变: [1 2 3 4 5]

设置随机种子

import numpy as np

# 设置随机种子，确保结果可重现
np.random.seed(42)
print(np.random.random(3))  # 每次运行结果相同

# 使用Generator（推荐的新方法）
rng = np.random.default_rng(42)
print(rng.random(3))        # 使用生成器

实际应用示例

1. 模拟数据生成

import numpy as np
import matplotlib.pyplot as plt

# 生成模拟数据
np.random.seed(42)
n_samples = 1000

# 身高数据（正态分布）
heights = np.random.normal(170, 10, n_samples)  # 均值170cm，标准差10cm

# 年龄数据（均匀分布）  
ages = np.random.randint(18, 65, n_samples)

# 收入数据（对数正态分布）
incomes = np.random.lognormal(10, 0.5, n_samples)

print(f"平均身高: {heights.mean():.1f}cm")
print(f"平均年龄: {ages.mean():.1f}岁") 
print(f"平均收入: {incomes.mean():.0f}")

2. 随机采样

import numpy as np

# 从大数据集中随机采样
data = np.arange(10000)  # 模拟大数据集
sample_indices = np.random.choice(len(data), 100, replace=False)
sample = data[sample_indices]
print(f"采样了{len(sample)}个数据点")

3. 蒙特卡洛模拟

import numpy as np

# 估算π值
def estimate_pi(n_points=1000000):
    # 在单位正方形内随机生成点
    x = np.random.uniform(-1, 1, n_points)
    y = np.random.uniform(-1, 1, n_points)
    
    # 计算在单位圆内的点数
    inside_circle = (x**2 + y**2) <= 1
    pi_estimate = 4 * np.sum(inside_circle) / n_points
    
    return pi_estimate

np.random.seed(42)
pi_est = estimate_pi(1000000)
print(f"π的估计值: {pi_est:.4f}")
print(f"实际π值: {np.pi:.4f}")
print(f"误差: {abs(pi_est - np.pi):.4f}")

4. 数据增强

import numpy as np

# 为机器学习添加噪声
def add_noise(data, noise_level=0.1):
    noise = np.random.normal(0, noise_level, data.shape)
    return data + noise

# 原始数据
original_data = np.array([1, 2, 3, 4, 5])
noisy_data = add_noise(original_data, 0.1)
print("原始数据:", original_data)
print("加噪声后:", noisy_data)

常用函数总结

import numpy as np

# 均匀分布
np.random.random(size)          # [0,1)均匀分布
np.random.uniform(low, high)    # [low,high)均匀分布
np.random.randint(low, high)    # 整数均匀分布

# 正态分布
np.random.normal(mean, std)     # 正态分布
np.random.standard_normal()     # 标准正态分布

# 选择和排列
np.random.choice(array)         # 随机选择
np.random.shuffle(array)        # 原地打乱
np.random.permutation(array)    # 返回打乱的副本

# 设置种子
np.random.seed(seed)           # 设置随机种子
rng = np.random.default_rng()  # 创建生成器（推荐）