精华内容
下载资源
问答
  • 代码np.random.normal(loc=0.0, scale=1.0, size=None) import random import numpy as np x=[] for i in range(100): a=np.random.normal(loc=0.0, scale=1.0, size=None) x.append(a) print(x) ...

    代码np.random.normal(loc=0.0, scale=1.0, size=None)

    import random
    import numpy as np
    x=[]
    for i in range(100):
        a=np.random.normal(loc=0.0, scale=1.0, size=None)
        x.append(a)
    print(x)
    

    对应的参数:

    loc:均值
    scale:标准差
    size:输出形式/维度
    

    输出示例:

    [-0.27253811517094106, 0.5609684144467797, 0.334971283784437, -0.1822778169662192, 1.2681223959150012, 1.2328794595153236, -0.3123326943041807, 0.1509173477179033, 0.26710212597423183, -0.7132879236969326, 1.4473196811471687, 0.6774980094513453, -1.6030403311814199, 0.8648297512590672, 0.9541298220551128, 0.19975976654455535, 0.39949933286608913, 0.6426455545555159, -0.7099122674171993, -1.0921728091444043, -1.1605676669247265, -0.5213446266079783, -1.0729374918398586, -0.42508116246866895, -2.1225656950542566, -0.018079339358717344, -0.3967882207036764, -0.11615681742789798, 0.3959781462653823, -0.4422546552470426, -0.45658310669718555, -0.41665303539298026, 0.4106375960351183, 0.7946145527667485, 0.40155698536767886, -0.43160558716163333, -0.8187458265642145, 0.4733591470772272, -0.512925141874276, 0.8942315459113407, -0.18699899393413216, -1.920234569791857, -1.3199069899730669, -0.12743885240423444, -0.06967172106188232, -0.2246066523578624, 0.03641342849134644, -0.053470943398817916, 1.1744274015249043, -0.9435170352866044, -0.11353662588737247, -1.8692171469851853, -0.476445232927885, -0.2708492260528827, -0.11651492597485748, 0.02964131159954893, 0.25578306216680463, 1.2023111385087462, 1.122831951168718, -0.7308969156174356, 0.3811122809887224, 0.335473588586483, -1.1167554592019655, -1.1514348899396745, 0.7231538350180756, 0.9542725371333689, -1.831688480671393, 0.09182126579647497, 0.1739749571732342, 0.620176859551349, 0.6958403843497568, -1.090884581324445, 0.7600870398395901, -1.030191097275002, -0.7290470403280889, 0.06036403155582693, -0.2664700890089135, -0.3855530279087296, 0.6286878598349667, -0.8480215298426873, -1.180616696418588, -1.005016623815381, 1.042715871847052, -0.38178882402768816, 0.31263870120857723, 2.3554699344809262, 0.36228557870792766, -0.7734401711015115, 1.1189369662279494, -0.38014393103580185, -0.8177391087304116, -0.793471802195223, 0.6238413958778506, 1.0469161789217385, -1.4572003375874896, 1.1824881239007394, 0.3499870978487047, 0.06894617572574108, -0.6243622120335651, 0.8697811358505547]
    
    展开全文
  • python 生成随机数的三种方法

    万次阅读 多人点赞 2018-09-28 18:05:35
    1. 使用 random 包生成随机数 可以生成 均匀分布, 高斯分布,(包括正态分布) 指数分布,(与泊松分布有区别:泊松分布表示一段时间发生多少次,而指数分布表示两次发生的时间间隔) 贝塔分布, 韦布尔分布的...

    1. 使用 random 包生成随机数

    可以生成
    均匀分布,
    高斯分布,(包括正态分布)
    指数分布,(与泊松分布有区别:泊松分布表示一段时间发生多少次,而指数分布表示两次发生的时间间隔)
    贝塔分布,
    韦布尔分布的随机数

    由此可见,random 包支持的随机分布比较有限,功能较少.

    例如:
    (1) 生成 [1, 10] 内的均匀分布随机数

    import random
    random.uniform(1, 10)
    Out[29]: 9.79867265758995
    

    (2) 生成 [1, 10] 内的随机整数

    random.randint(1, 10)
    Out[30]: 2
    

    (3) 生成一个正态分布的随机数,均值为 5, 标准差为 1

    random.gauss(5, 1)
    Out[32]: 4.933013260084848
    

    (4) 生成一个指数分布的随机数,均值为 0.2

     random.expovariate(0.2)
    Out[37]: 4.670169382329602
    

    2. 使用 numpy 包生成随机数

    numpy 包的 random 方法基本支持所有分布,并且能够一次生成多行多列的随机数.

    例如:
    (1) 生成 [1, 10] 内的均匀分布随机数, 2 行 2 列

    import numpy as np
    np.random.uniform(1, 10, [2,2])
    Out[46]: 
    array([[9.72571265, 9.37758659],
           [9.92487471, 9.37467146]])
    

    (2) 生成 [1, 10] 内的随机整数, 2 行 2 列

    np.random.randint(1, 10, [2,2])
    Out[47]: 
    array([[6, 6],
           [8, 7]])
    

    (3) 生成一个正态分布的随机数,均值为 5, 标准差为 1, 2 行 2 列

    np.random.normal(5, 1, [2,2])
    Out[48]: 
    array([[3.74927889, 5.75561821],
           [4.8353383 , 5.58410519]])
    

    (4) 生成一个泊松分布的随机数,均值为 5, 2 行 2 列

    np.random.poisson(5, [2,2])
    Out[49]: 
    array([[7, 3],
           [4, 7]])
    

    (4) 生成一个指数分布的随机数,均值为 5, 2 行 2 列

    np.random.exponential(5, [2,2])
    Out[57]: 
    array([[3.06834959, 2.70350511],
           [6.81427455, 2.91453029]])
    

    3. 使用 scipy 包生成随机数

    用 scipy 包不同分布函数自带的 rvs 生成随机数,例如,生成一个正态分布的 2 行 2 列随机数,均值为 5, 标准差为 1:

    >>> import scipy.stats as st
    >>> st.norm.rvs(loc=5, scale=1, size=[2,2])
    array([[3.96964463, 4.14137383],
           [6.36342893, 3.99992325]])
    

    生成一个指数分布的 2 行 2 列随机数,均值为 5:

    >>> st.poisson.rvs(mu=5, size=[2,2])
    array([[5, 7],
           [3, 9]])
    

    转载于个人微信公众号:

    Python 数据科学与数学建模
    在这里插入图片描述

    展开全文
  • python 生成随机数模块

    2020-02-10 22:09:17
    因为要做数值仿真实验,用到了随机生成模块random 因此,将相关用法列出如下: #todo 产生随机数的模块 import random random.uniform(3,4) # 3到4之间的均匀分布 random.gauss(5,1) # 以5为均值,1为方差的高斯...

    因为要做数值仿真实验,用到了随机生成模块random

    因此,将相关用法列出如下:

    #todo 产生随机数的模块
    import random
    random.uniform(3,4) # 3到4之间的均匀分布
    random.gauss(5,1) # 以5为均值,1为方差的高斯分布。
    random.normalvariate(5,1) # 以5为均值,1为方差的高斯分布。
    random.randint(4,8) # 从4,5,6,7,8中随机挑出一个整数值。
    random.choice([1,4,6,8,0]) # 从1,4,6,8,0中随机挑出一个值。
    random.random() # 0-1之间均匀分布的一个实数。
    random.sample([randint(10,20) for _ in range(10)], 5)#从10~20间随机抽取5个数;
    # Dataframe.sample(n=3,random_state=1)#随机选几行数据
    
    
    random.choices(population, weights=None, *, cum_weights=None, k=1)
    #从population中进行K次随机选取,每次选取一个元素(注意会出现同一个元素多次被选中的情况),
    #weights是相对权重值,population中有几个元素就要有相对应的weights值,
    #cum_weights是累加权重值,例如,相对权重〔10, 5, 30,5〕相当于累积权重〔10, 15, 45,50〕。
    #在内部,在进行选择之前,相对权重被转换为累积权重,因此提供累积权重节省了工作。返回一个列表。
    
    #todo numpy中随机数生成模块
    np.random.choice([1,4,6,8,0],replace=True,p=[0.1,0.2,0.3,0.3,0.1])
    #replace指定为True时,采样的元素会有重复;当replace指定为False时,采样不会重复。
    #p为每一个数值选择的概率,加和必须为1
    
    

    具体应用:

    生成验证码(随机数字和字母):

    auth = ""          #定义全局验证码变量
    for i in range(0,4):
    #定义循环4次,形成4位验证码。
            current = random.randint(0,4)                                    #定义一个随机0-4的一个范围,去猜i 的值。
            if current == i:                                                              #如果current 和i 的值一样
                    current_code = random.randint(0,9)                #生成一个随机的数字
            else:                                                                            #如果current和i 的值不一样
                    current_code = chr(random.randint(65,90))   #生成一个随机的字母,这里一定要主义chr()转换一下。
            auth += str(current_code)                                         #将每次随机生成的值赋值给auth
    print(auth)
    

     

    展开全文
  • 1. 使用 random 包生成随机数 可以生成 均匀分布, 高斯分布,(包括正态分布) 指数分布,(与泊松分布有区别:泊松分布表示一段时间发生多少次,而指数分布表示两次发生的时间间隔) 贝塔分布, 韦布尔分布的...

    1. 使用 random 包生成随机数

    可以生成
    均匀分布,
    高斯分布,(包括正态分布)
    指数分布,(与泊松分布有区别:泊松分布表示一段时间发生多少次,而指数分布表示两次发生的时间间隔)
    贝塔分布,
    韦布尔分布的随机数

    由此可见,random 包支持的随机分布比较有限,功能较少.

    例如:
    (1) 生成 [1, 10] 内的均匀分布随机数

    import random
    random.uniform(1, 10)
    Out[29]: 9.79867265758995
    

    (2) 生成 [1, 10] 内的随机整数

    random.randint(1, 10)
    Out[30]: 2
    

    (3) 生成一个正态分布的随机数,均值为 5, 标准差为 1

    random.gauss(5, 1)
    Out[32]: 4.933013260084848
    

    (4) 生成一个指数分布的随机数,均值为 0.2

     random.expovariate(0.2)
    Out[37]: 4.670169382329602
    

    2. 使用 numpy 包生成随机数

    numpy 包的 random 方法基本支持所有分布,并且能够一次生成多行多列的随机数.

    例如:
    (1) 生成 [1, 10] 内的均匀分布随机数, 2 行 2 列

    import numpy as np
    np.random.uniform(1, 10, [2,2])
    Out[46]: 
    array([[9.72571265, 9.37758659],
           [9.92487471, 9.37467146]])
    

    (2) 生成 [1, 10] 内的随机整数, 2 行 2 列

    np.random.randint(1, 10, [2,2])
    Out[47]: 
    array([[6, 6],
           [8, 7]])
    

    (3) 生成一个正态分布的随机数,均值为 5, 标准差为 1, 2 行 2 列

    np.random.normal(5, 1, [2,2])
    Out[48]: 
    array([[3.74927889, 5.75561821],
           [4.8353383 , 5.58410519]])
    

    (4) 生成一个泊松分布的随机数,均值为 5, 2 行 2 列

    np.random.poisson(5, [2,2])
    Out[49]: 
    array([[7, 3],
           [4, 7]])
    

    (4) 生成一个指数分布的随机数,均值为 5, 2 行 2 列

    np.random.exponential(5, [2,2])
    Out[57]: 
    array([[3.06834959, 2.70350511],
           [6.81427455, 2.91453029]])
    

    转载于:https://www.cnblogs.com/robinchen/p/11047534.html

    展开全文
  • 在实数轴上,有计算均匀、正态(高斯)、对数正态、负指数、伽马和贝塔分布的函数。为了生成角度分布,可以使用 von Mises 分布。 几乎所有模块函数都依赖于基本函数 random() ,它在半开放区间 [0.0,1.0) 内均匀...
  • Python Random随机数

    2017-07-26 19:24:00
    Python产生随机数的功能在random模块中实现。实现了各种分布的伪随机数生成器 该模块能够生成0到1的浮点随机数,也能够在一个序列中进行随机选择。产生的随机数能够是均匀分布。高斯分布,对数正态分布。负指数...
  • Python 产生随机数

    万次阅读 2018-08-05 16:28:52
    在数据分析中,数据的获取是第一步,numpy.random 模块提供了非常全的自动产生数据API,是学习数据分析的第一步。 总体来说,numpy.random模块...4. 生成器:种随机数种子,根据同一种子产生的随机数是相同的 以下是...
  • 2019独角兽企业重金招聘Python工程师标准>>> ...
  • 不过有时需要生成服从其它分布的随机数,例 如高斯分布或指数分布等。有些编程语言已经有比较完善的实现,例如Python的 NumPy。这篇文章介绍如何通过均匀分布随机数生成函数生成符合特定概率分布的随 机数,主要介绍...
  • python随机数模块random

    千次阅读 2016-10-20 21:24:36
    在实线的,有功能来计算均匀分布,正态分布(高斯) ,对数正态分布,负指数,γ和β分布。对于生成的角度分布,冯·米塞斯的分布是可用的。 几乎所有的模块功能依赖于基本功能随机的( ) ,它生成一个随机浮点...
  • 在实线的,有功能来计算均匀分布,正态分布(高斯) ,对数正态分布,负指数,γ和β分布。对于生成的角度分布,冯·米塞斯的分布是可用的。几乎所有的模块功能依赖于基本功能随机的( ) ,它生成一个随机浮点均匀...
  • 想用高斯分布生成随机数,在网上看到很强大的总结,保留一下,以备后用  https://www.cnblogs.com/vamei/archive/2012/10/26/2741702.html 转载于:https://www.cnblogs.com/monkeyT/p/9070365.html...
  • 总体来说,numpy.random模块分为四个部分,对应四种功能: ...4. 生成器:种随机数种子,根据同一种子产生的随机数是相同的 以下是详细内容以及代码实例:(以下代码默认已导入numpy:import nump...
  • python数据分析(1)-numpy产生随机数

    万次阅读 多人点赞 2016-11-12 21:22:20
    在数据分析中,数据的获取是第一步,numpy.random 模块提供了非常全的自动产生数据API,是学习数据分析的第一步。 总体来说,numpy.random模块分为四个...4. 生成器:种随机数种子,根据同一种子产生的随机数是相同的
  • 2019独角兽企业重金招聘Python工程师标准>>> ...
  • python随机生成

    2019-07-31 11:13:00
    在数据分析中,数据的获取是第一步,numpy.random 模块提供了非常全的自动产生数据API,是学习数据分析的第一步。总体来说,numpy.random模块分为四个...生成器:种随机数种子,根据同一种子产生的随机数是相同的 ...
  • random为python生成随机数,查看最新的官方文档,提供了非常强大的功能,不仅能够随机生成指定范围的随机数,还可以生成高斯随机数以及符合指数分布的随机数,还可以随机改变一个序列的分布,是不是非常强大。...
  • python3_numpy_random_产生随机数

    千次阅读 2018-07-27 13:49:34
    数据分析中,数据的获取是第一步,numpy.random 模块提供了非常全的自动产生数据API,是学习数据分析的第一步。  总体来说,numpy.random模块...4. 生成器:种随机数种子,根据同一种子产生的随机数是相同的  以...
  • Python实现高维高斯分布:随机数生成、概率密度函数、累积分布函数一、 高斯分布随机数生成二、高斯概率密度函数三、高斯累积分布函数 不过多分类整理了,遇到什么问题,找到了解决方法,就随手写上来吧 也许大多数...
  • 随机函数在很多科学计算中都会用到,比如生成一系列随机数来计算平均值、高斯分布、伽马分布、贝塔分布、对数正态分布等。 几乎所有模块函数都依赖于基本函数 random() ,它在半开放区间 [0.0,1.0) 内均匀生成随机...

空空如也

空空如也

1 2
收藏数 40
精华内容 16
关键字:

python生成高斯随机数

python 订阅