numpy生成随机数的方法

在数据科学和编程领域，生成随机数是一项常见需求。NumPy作为Python中强大的数值计算库，提供了多种生成随机数的方法，这些方法在模拟实验、数据预处理等方面发挥着重要作用。

numpy.random.rand() 函数用于生成在 [0, 1) 区间均匀分布的随机浮点数。例如，np.random.rand(3, 2) 会生成一个形状为 (3, 2) 的二维数组，其中每个元素都是在 [0, 1) 之间的随机浮点数。这种均匀分布的随机数在许多场景下都很有用，比如初始化神经网络的权重。

numpy.random.randn() 函数生成的是服从标准正态分布（均值为 0，标准差为 1）的随机浮点数。若执行 np.random.randn(4)，会得到一个包含 4 个服从标准正态分布随机数的一维数组。在模拟自然现象、噪声数据生成等场景中，正态分布的随机数非常关键。

如果需要生成指定范围内的整数随机数，可以使用 numpy.random.randint() 函数。np.random.randint(1, 10, size=(2, 3)) 表示生成一个形状为 (2, 3) 的二维数组，数组中的元素是从 1（包含）到 10（不包含）之间的随机整数。

numpy.random.choice() 函数则允许从给定的一维数组中随机选取元素。例如，np.random.choice([10, 20, 30], size = 5) 会从数组 [10, 20, 30] 中随机选取 5 个元素组成一个新的一维数组。这在抽样、数据重排等方面十分实用。

numpy.random.seed() 函数用于设置随机数种子。当设置了固定的种子后，每次运行生成随机数的代码，得到的随机数序列是相同的。比如 np.random.seed(42)，之后无论何时调用随机数生成函数，都会得到相同的随机数结果，这对于需要可重复性的实验非常重要。

NumPy提供的这些生成随机数的方法功能强大且灵活，无论是简单的均匀分布随机数，还是复杂的特定分布、特定范围的随机数生成，都能轻松应对，极大地提升了数据处理和模拟任务的效率。