Python Numpy random 生成随机数

1、什么是随机数（Random Numbers）？

随机数并不意味着“每次都不同”，而是：

👉 无法通过简单规则预测的数值

2、伪随机 vs 真随机

伪随机数（Pseudo Random）

• 由算法生成

• 看起来随机，但本质是确定的

• 可复现（重要）

👉 NumPy 使用的就是 伪随机数

真随机数（True Random）

来自外部不可预测源，例如：

• 鼠标移动

• 键盘输入

• 硬件噪声

👉 一般只用于：

• 加密

• 安全场景

📌 结论

在数据分析 / 机器学习中，伪随机数完全够用，且更可控

3、生成随机整数

NumPy 使用 random.randint() 生成随机整数。

示例：生成一个随机整数

from numpy import random

x=random.randint(100)
print(x)

说明：

• 范围：0 ~ 99

指定范围

x=random.randint(10, 100)

👉 生成 10 ~ 99

4、生成随机浮点数（float）

使用 rand() 生成 0 ~ 1 之间的随机浮点数。

示例

from numpy import random

x=random.rand()
print(x)

输出示例：

0.5488135

5、生成随机数组

NumPy 的随机函数都支持通过参数生成数组。

5.1 随机整数数组

示例：生成一维数组

from numpy import random

x=random.randint(100, size=(5))
print(x)

示例：生成二维数组

x=random.randint(100, size=(3, 5))
print(x)

说明：

• size=(3,5) → 3 行 5 列

5.2 随机浮点数组

示例：一维数组

x=random.rand(5)
print(x)

示例：二维数组

x=random.rand(3, 5)
print(x)

6、从数组中生成随机值（choice）

choice() 用于从给定数组中随机选择元素。

示例：随机选择一个值

from numpy import random

x=random.choice([3, 5, 7, 9])
print(x)

示例：生成随机数组

x=random.choice([3, 5, 7, 9], size=(3, 5))
print(x)

可选参数（重要补充）

random.choice(a, size, replace=True, p=None)

• replace=True：允许重复（默认）

• p：指定概率分布

示例：带权重随机

x=random.choice([3, 5, 7], p=[0.1, 0.3, 0.6], size=5)
print(x)

7、设置随机种子（非常重要）🔥

在实际开发中，经常需要 复现随机结果。

示例：设置随机种子

from numpy import random

random.seed(42)

print(random.randint(100))
print(random.randint(100))

👉 每次运行结果相同

📌 为什么重要？

• 机器学习训练复现

• 调试代码

• 实验对比

8、常用随机分布函数（进阶）

除了简单随机数，NumPy 还支持各种概率分布。

正态分布（最常用）

from numpy import random

x=random.normal(loc=0, scale=1, size=5)
print(x)

参数说明：

• loc：均值

• scale：标准差

均匀分布

x=random.uniform(0, 10, size=5)

随机排列（洗牌）

arr=np.array([1, 2, 3, 4])

random.shuffle(arr)
print(arr)

9、新版推荐写法

NumPy 新版本推荐使用：

rng=np.random.default_rng()

rng.integers(0, 100)
rng.random()

优点：

• 更现代

• 更安全（线程安全）

• 更可控

✅ 小结

NumPy 常用随机函数：