- 小数
- 整数
- 标准正态:randn()
- 自定义正态分布:nomarl()
代码语言：javascript
复制import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
均匀分布
小数
特定范围：[0,1)
rand()
代码语言：javascript
复制#rand(d0, d1, ..., dn)
#d:dimension 维度
#d0:第1维数字的个数,为整数
#d1:第2维数字的个数 以此类推...
#范围[0,1) 0-1，包含0，不包含1
x = np.random.rand(1000)
# 通过直方图查看分布情况及分布区间
plt.hist(x)
plt.show()
random()
代码语言：javascript
复制#random((size=None))
#size = m 表示m个数
#size = (m,n,k) 可以给定元祖tuple
# 表示每个维度上数字的个数
#范围[0,1) 0-1，包含0，不包含1
x = np.random.random(1000)
# 通过直方图查看分布情况及分布区间
plt.hist(x)
plt.show()
自定义范围：任意小数
uniform()
代码语言：javascript
复制# uniform(low=0.0, high=1.0, size=None)
# uniform 一致的
# size = m 表示m个数
# size = (m,n,k) 可以给定个元祖tuple
# 表示每个维度上数字的个数
#范围 [low, high) 左开右闭区间
#生成1000个3.5-7.8区间的数
x = np.random.uniform(3.5,7.8,1000)
# 通过直方图查看分布情况及分布区间
plt.hist(x)
plt.show()
整数
randint()
代码语言：javascript
复制# randint(low, high=None, size=None)
# size = m 表示m个数
# size = (m,n,k) 可以给定个元祖tuple
# 表示每个维度上数字的个数
#范围 [起点,终点）
#生成1000个3-8区间的数
x = np.random.randint(3,8,1000)
print('起点：',x.min())
print('终点：',x.max())
# 通过直方图查看分布情况及分布区间
plt.hist(x,bins =5)
plt.xticks(range(3,8))
plt.show()
代码语言：javascript
复制起点：3
终点：7
正态分布
标准正态:randn()
代码语言：javascript
复制# randn(d0, d1, ..., dn) -->标准正态分布的数组ndarray
# 分布服从（μ=0，σ=1） 均值为0，标准差为1
#d:dimension 维度
#d0:第1维数字的个数,为整数
#d1:第2维数字的个数 以此类推...
x = np.random.randn(1000)
# 通过直方图、密度图，查看分布情况及分布区间
# plt.hist(x)
sns.distplot(x)
plt.show()
自定义正态分布:nomarl()
代码语言：javascript
复制# normal(loc=0.0, scale=1.0, size=None) -->符合正态分布的数组ndarray
# 分布服从（μ=loc，σ=scale） 均值为loc，标准差为scale
# size = m 表示m个数
# size = (m,n,k...) 可以给定个元祖tuple
# m,n,k...表示每个维度上数字的个数
# 生成服从均值为2，标准差为3的正态分布数组
x = np.random.normal(2,3,1000)
# 通过直方图、密度图，查看分布情况及分布区间
# plt.figure(figsize = (10,6),dpi=100)
# plt.hist(x)
sns.distplot(x)
plt.show()
