numpy中的np.random.mtrand.RandomState

numpy.random.RandomState()函数用法
可以通过numpy工具包生成模拟数据集，使用RandomState获得随机数生成器

from numpy.random import RandomState

rdm = RandomState(1)
注意：这里1为随机数种子，只要随机数种子seed相同，产生的随机数系列就相同

a = rdm.uniform(1,2,(3,4))
print(a)
输出结果为：

[[1.417022 1.72032449 1.00011437 1.30233257]
[1.14675589 1.09233859 1.18626021 1.34556073]
[1.39676747 1.53881673 1.41919451 1.6852195 ]]
产生一个3行4列的数组，其中每个元素都是在[1,2]区间内均匀分布的随机数

b = rdm.rand(1,2)
print(b)
输出为：

[[0.417022 0.72032449]]
注意：

这里的rand()里面的值若为0，就表示会随机产生一个[0,1)之间的随机数，并不是一个一维数组，且0可以包括，1不包含。当rand()里面数为1时，产生一个一维的一个数字数组。rand(2)返回一个一维的2个数字数组.

 

numpy里random总结
1) np.random.rand()
返回[0,1)之间的数，rand()返回一个数字，rand(1)返回一个一维的一个数字数组，rand(2)返回一个一维的2个数字数组，以此类推。rand(3,4)返回3行4列的二维数组。 
numpy.random.rand(d0,d1,…,dn)

rand函数根据给定维度生成[0,1)之间的数据，包含0，不包含1
dn表格每个维度
返回值为指定维度的array
例如：

import numpy as np

x1 = np.random.rand(1)
print(x1) #输出：[0.79853516]
x2 = np.random.rand(2)
print(x2) #输出：[0.3372049 0.94177767]
x3 = np.random.rand(3)
print(x3) #输出：[0.54632154 0.63376574 0.51523793]
x4 = np.random.rand(2,3)
print(x4) #输出：[[0.66432625 0.3004349 0.79992446]
[0.47604401 0.16257688 0.58597909]]
 2）np.random.randn()
numpy.random.randn(d0,d1,…,dn)

用法同np.random.rand()一样，只是服从正态分布。用法同上。

标准正态分布又称为u分布，是以0为均值、以1为标准差的正态分布，记为N（0，1）。

randn函数返回一个或一组样本，具有标准正态分布。
dn表格每个维度
返回值为指定维度的array
3）np.random.randint()
通过low来指定起点，通过high来指定终点，通过size参数来指定数组的维度，通过dtype来确定类型。

numpy.random.randint(low, high=None, size=None, dtype=’l’)

返回随机整数，范围区间为[low,high），包含low，不包含high
参数：low为最小值，high为最大值，size为数组维度大小，dtype为数据类型，默认的数据类型是np.int
high没有填写时，默认生成随机数的范围是[0，low)
y1 = np.random.randint(1,size=4)
print(y1) #返回[0，1)之间的整数，只有0，所有输出为：[0 0 0 0]

y2 = np.random.randint(-2,3,size=(2,3))
print(y2)
#输出为[-2,3)之间的整数，输出为：[0 0 0 0]
[[-1 -2 1]
[ 1 -1 2]]
 4）np.random.random(size=None)
通过size参数来指定维数 
生成[0,1)之间的浮点数

z1 = np.random.random()
print(z1) #输出：0.5496674667621851
z2 = np.random.random(1)
print(z2) #输出：[0.03831152]
z3 = np.random.random(2)
print(z3) #输出：[0.67638162 0.72296213]
z4 = np.random.random((2,3))
print(z4) #输出：[[0.459631 0.85138382 0.24601661]
[0.80658167 0.10955964 0.13577635]]
 

原文：https://blog.csdn.net/jieshaoxiansen/article/details/82255191