一、numpy.random 模塊核心定位

numpy.random 是 NumPy 專門用于生成偽隨機(jī)數(shù)的模塊（偽隨機(jī)：基于種子的可復(fù)現(xiàn)隨機(jī)，而非真隨機(jī)），相比 Python 原生 random 庫，它的核心優(yōu)勢：

1. 支持向量化生成：直接生成多維數(shù)組，無需循環(huán)（如一次性生成 1000 個(gè)正態(tài)分布數(shù)）；
2. 覆蓋更多統(tǒng)計(jì)分布：除了均勻 / 正態(tài)分布，還支持泊松、指數(shù)、二項(xiàng)分布等；
3. 效率更高：底層 C 實(shí)現(xiàn)，生成大規(guī)模隨機(jī)數(shù)時(shí)速度遠(yuǎn)超 Python 原生；
4. 可復(fù)現(xiàn)性：通過種子（seed）固定隨機(jī)序列，便于實(shí)驗(yàn)復(fù)現(xiàn)。

二、先掌握基礎(chǔ)：隨機(jī)種子（seed）

偽隨機(jī)數(shù)的生成依賴 “種子”（初始值），固定種子后，每次生成的隨機(jī)數(shù)完全一致 —— 這是調(diào)試、復(fù)現(xiàn)實(shí)驗(yàn)的關(guān)鍵。

用法示例：

import numpy as np
# 1. 全局種子（影響所有random函數(shù)）
np.random.seed(42)  # 固定種子值（任意整數(shù)）
print(np.random.rand(3))  # [0.3745 0.9507 0.7319]
print(np.random.rand(3))  # [0.5986 0.1560 0.1559]
# 重置種子，重新生成（結(jié)果和第一次完全一致）
np.random.seed(42)
print(np.random.rand(3))  # [0.3745 0.9507 0.7319]
# 2. 局部隨機(jī)生成器（推薦，不污染全局）
rng = np.random.default_rng(seed=42)  # 創(chuàng)建獨(dú)立生成器
print(rng.rand(3))  # [0.7739 0.4389 0.8585]

關(guān)鍵說明：

• np.random.seed()：全局種子，設(shè)置后所有 np.random.* 函數(shù)都受影響；
• np.random.default_rng()：NumPy 1.17+ 推薦用法，創(chuàng)建獨(dú)立的隨機(jī)生成器，避免全局種子沖突；
• 種子值可任意選（如 42、10、2024），核心是 “固定值對(duì)應(yīng)固定隨機(jī)序列”。

三、常用隨機(jī)函數(shù)分類（按場景）

類別 1：基礎(chǔ)隨機(jī)數(shù)（均勻分布）

生成 0~1 均勻分布、指定范圍整數(shù) / 浮點(diǎn)數(shù)，是最基礎(chǔ)的隨機(jī)數(shù)生成方式。

實(shí)戰(zhàn)示例（模擬 3 月溫度，均勻分布）：

import numpy as np
# 生成3月溫度：-5~15℃均勻分布，31天，保留1位小數(shù)
march_temp = np.round(np.random.uniform(-5, 15, 31), 1)
print("3月溫度（均勻分布）：", march_temp[:10])
# 輸出：[-1.2  8.7 12.3  4.5  9.8  0.7 11.1  7.2  2.9 14.8]
# 生成隨機(jī)整數(shù)（模擬班級(jí)人數(shù)：30~50人，5個(gè)班級(jí)）
class_size = np.random.randint(30, 51, size=5)
print("班級(jí)人數(shù)：", class_size)  # 輸出：[42 35 48 39 41]

類別 2：正態(tài)分布隨機(jī)數(shù)（高頻！貼合你的場景）

生成指定均值（μ）、標(biāo)準(zhǔn)差（σ）的正態(tài)分布數(shù)，適合模擬自然數(shù)據(jù)（溫度、分?jǐn)?shù)、身高）。

表格

實(shí)戰(zhàn)示例（模擬考試分?jǐn)?shù)）：

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 生成1000個(gè)分?jǐn)?shù)：均值80，標(biāo)準(zhǔn)差10，限制0~100
scores = np.random.normal(80, 10, 1000)
scores = np.clip(scores, 0, 100)  # 限制范圍
# 繪制直方圖驗(yàn)證分布
fig, ax = plt.subplots(figsize=(10, 6))
ax.hist(scores, bins=20, color='skyblue', edgecolor='black')
ax.set_title('考試分?jǐn)?shù)正態(tài)分布', fontsize=16)
ax.set_xlabel('分?jǐn)?shù)', fontsize=14)
ax.set_ylabel('人數(shù)', fontsize=14)
plt.show()

類別 3：隨機(jī)抽樣 / 排列（數(shù)據(jù)打亂、采樣）

用于從已有數(shù)據(jù)中隨機(jī)選擇、打亂順序，適合機(jī)器學(xué)習(xí)的數(shù)據(jù)集劃分、隨機(jī)采樣。

表格

實(shí)戰(zhàn)示例（數(shù)據(jù)集隨機(jī)采樣）：

import numpy as np
# 原始數(shù)據(jù)：10個(gè)學(xué)生ID
student_ids = np.arange(1, 11)  # [1,2,...,10]
# 1. 打亂數(shù)組（原地修改）
np.random.shuffle(student_ids)
print("打亂后的ID：", student_ids)  # 輸出：[7 3 8 1 9 2 5 4 6 10]
# 2. 隨機(jī)采樣5個(gè)（不重復(fù)，無放回）
sample_ids = np.random.choice(student_ids, size=5, replace=False)
print("采樣ID（無放回）：", sample_ids)  # 輸出：[3 9 2 6 10]
# 3. 按概率采樣（比如抽中1的概率0.8，其他0.05）
prob_sample = np.random.choice([1,2,3,4], size=10, p=[0.8,0.05,0.05,0.1])
print("概率采樣結(jié)果：", prob_sample)  # 輸出：[1 1 1 4 1 1 2 1 1 3]

類別 4：其他常用分布（專業(yè)場景）

適用于特定統(tǒng)計(jì)場景，如泊松分布（計(jì)數(shù)數(shù)據(jù)）、指數(shù)分布（時(shí)間間隔）、二項(xiàng)分布（二分類實(shí)驗(yàn)）。

表格

實(shí)戰(zhàn)示例（模擬每天訂單數(shù)）：

import numpy as np
# 模擬30天訂單數(shù)：均值20的泊松分布
orders = np.random.poisson(lam=20, size=30)
print("30天訂單數(shù)：", orders)
print("日均訂單：", np.mean(orders))  # 接近20

四、高級(jí)用法：自定義隨機(jī)生成器（推薦）

NumPy 1.17+ 推出了新的隨機(jī) API（Generator），替代舊的 np.random.* 全局函數(shù)，優(yōu)勢是線程安全、功能更全、避免種子沖突。

用法示例：

import numpy as np
# 創(chuàng)建自定義生成器（固定種子）
rng = np.random.default_rng(seed=42)
# 生成隨機(jī)數(shù)（用法和舊API類似，前綴改為rng.）
print("0~1均勻分布：", rng.rand(3))
print("正態(tài)分布：", rng.normal(80, 10, 5))
print("隨機(jī)整數(shù)：", rng.integers(0, 10, size=3))
print("打亂數(shù)組：", rng.permutation([1,2,3]))

五、避坑點(diǎn)與最佳實(shí)踐

1. 常見誤區(qū)

• 混淆 rand/randn/normal：
  • rand()：0~1 均勻分布；
  • randn()：標(biāo)準(zhǔn)正態(tài)（μ=0, σ=1）；
  • normal(loc, scale)：自定義正態(tài)分布（常用）；
• randint 的 high 參數(shù)：randint(0,10) 生成 0~9（不包含 10），需注意 “左閉右開”；
• shuffle 原地修改：shuffle(arr) 直接修改原數(shù)組，如需保留原數(shù)組，用 permutation()。

2. 最佳實(shí)踐

• 固定種子：實(shí)驗(yàn) / 調(diào)試時(shí)必須設(shè)置種子，確保結(jié)果可復(fù)現(xiàn)；
• 使用新生成器：優(yōu)先用 np.random.default_rng() 而非全局 seed()；
• 大規(guī)模生成：生成百萬級(jí)隨機(jī)數(shù)時(shí)，用 NumPy 而非 Python 原生 random（速度快 100 + 倍）；
• 范圍限制：生成自然數(shù)據(jù)（溫度、分?jǐn)?shù)）時(shí)，用 np.clip() 限制合理范圍，避免極端值。

總結(jié)

1. numpy.random 核心是生成偽隨機(jī)數(shù)，通過種子實(shí)現(xiàn)可復(fù)現(xiàn)，向量化生成效率遠(yuǎn)超 Python 原生；
2. 高頻函數(shù)（貼合你的場景）：
   • 模擬自然數(shù)據(jù)：normal()（正態(tài)）、uniform()（均勻）；
   • 數(shù)據(jù)打亂 / 采樣：shuffle()、choice()、permutation()；
   • 基礎(chǔ)隨機(jī)數(shù)：rand()（0~1）、randint()（整數(shù)）；
3. 推薦用法：用 np.random.default_rng() 創(chuàng)建自定義生成器，避免全局種子沖突；
4. 避坑關(guān)鍵：區(qū)分不同分布函數(shù)，注意 randint 左閉右開，生成數(shù)據(jù)后用 clip() 限制合理范圍。

到此這篇關(guān)于Numpy.Random()函數(shù)的具體使用的文章就介紹到這了,更多相關(guān)Numpy.Random()使用內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論