随机数在数据分析和机器学习中具有重要的作用。numpy是Python中一个常用的数值计算库，提供了多种生成随机数的方法。本文将对numpy生成随机数的常用方法进行解析，并给出具体的代码示例。
随机整数
numpy提供了生成随机整数的函数numpy.random.randint()。该函数可以生成指定范围内的随机整数。
import numpy as np# 生成范围在[low, high)之间的随机整数rand_int = np.random.randint(low, high, size)
其中，low表示生成随机整数的下界（包含），high表示上界（不包含），size表示生成的随机整数的数量。
示例：
import numpy as nprand_int = np.random.randint(1, 10, size=5)print(rand_int)
输出：
[4 9 5 3 1]
上述代码生成了5个范围在1到10之间的随机整数。
随机浮点数
numpy提供了生成随机浮点数的函数numpy.random.rand()和numpy.random.randn()。
import numpy as np# 生成[0, 1)之间的均匀分布的随机浮点数rand_float = np.random.rand(size)# 生成符合标准正态分布的随机浮点数rand_normal_float = np.random.randn(size)
其中，rand_float生成[0, 1)之间均匀分布的随机浮点数，rand_normal_float生成符合标准正态分布的随机浮点数。size表示生成的随机浮点数的数量。
示例：
import numpy as nprand_float = np.random.rand(5)rand_normal_float = np.random.randn(5)print(rand_float)print(rand_normal_float)
输出：
[0.83600534 0.69029467 0.44770399 0.61348757 0.93889918]
[-0.9200914 0.45598762 -0.76400891 -0.18554811 1.67634905]
上述代码生成了一个长度为5的均匀分布随机浮点数数组和一个长度为5的标准正态分布随机浮点数数组。
随机种子
numpy生成的随机数默认是伪随机数，即每次运行程序生成的随机数是不同的。如果想要生成相同的随机数序列，可以使用随机种子。
import numpy as np# 设置随机种子np.random.seed(seed)
其中，seed表示随机种子的值。相同随机种子生成的随机数序列是相同的。
示例：
import numpy as npnp.random.seed(0)rand_int = np.random.randint(1, 10, size=5)print(rand_int)np.random.seed(0)rand_int = np.random.randint(1, 10, size=5)print(rand_int)
输出：
[6 1 4 8 4]
[6 1 4 8 4]
上述代码设置了随机种子为0，使用相同的随机种子生成了两个相同的随机整数数组。
通过本文对numpy生成随机数的常用方法的解析和代码示例，相信读者能更加熟悉numpy库中生成随机数的操作。在数据分析和机器学习等领域，随机数的生成是常见的操作，掌握这些方法对于进行相关的数据实验和模型训练是非常有帮助的。
以上就是解析numpy常用的随机数生成方法的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1553684.html
微信扫一扫 
支付宝扫一扫 
