Python NumPy 中级教程：随机数生成
在数据科学、机器学习和统计学等领域中，随机数生成是一个关键的操作。NumPy 提供了丰富的随机数生成功能，包括生成服从不同分布的随机数、设置随机种子等。在本篇博客中，我们将深入介绍 NumPy 中的随机数生成操作，并通过实例演示如何应用这些功能。
1. 安装 NumPy
确保你已经安装了 NumPy。如果尚未安装，可以使用以下命令：
pip install numpy
2. 导入 NumPy 库
在使用 NumPy 进行随机数生成之前，导入 NumPy 库：
import numpy as np
3. 基本随机数生成
3.1 生成随机整数
# 生成随机整数
random_int = np.random.randint(1, 10, size=(3, 3))
3.2 生成随机浮点数
# 生成随机浮点数
random_float = np.random.rand(3, 3)
4. 随机数生成与分布
4.1 正态分布
# 生成正态分布的随机数
normal_distribution = np.random.normal(loc=0, scale=1, size=(3, 3))
4.2 均匀分布
# 生成均匀分布的随机数
uniform_distribution = np.random.uniform(low=0, high=1, size=(3, 3))
4.3 泊松分布
# 生成泊松分布的随机数
poisson_distribution = np.random.poisson(lam=5, size=(3, 3))
5. 随机种子
设置随机种子可以使得随机数的生成具有可复现性，即多次运行代码得到的随机数相同。
# 设置随机种子
np.random.seed(42)
random_numbers = np.random.rand(3)
6. 随机排列
# 随机排列
arr = np.array([1, 2, 3, 4, 5])
shuffled_arr = np.random.permutation(arr)
7. 随机抽样
# 随机抽样
population = np.array([1, 2, 3, 4, 5])
sample = np.random.choice(population, size=3, replace=False)
8. 随机数生成实例：模拟掷骰子
# 模拟掷骰子
dice_roll = np.random.randint(1, 7, size=10)
9. 总结
通过学习以上 NumPy 中的随机数生成操作，你可以更灵活地生成不同分布的随机数、设置随机种子以及进行随机排列和抽样等操作。这些功能在模拟实验、蒙特卡罗模拟和机器学习中都得到广泛应用。希望本篇博客能够帮助你更好地理解和运用 NumPy 中的随机数生成功能。
