Python 伪随机数的生成

推荐使用numpy模块中的子模块random
为了直观展示分布函数的概率密度曲线，以正态分布和指数分布为例。

import seaborn as sns
import matplotlib.pyplot as plt
from scipy import stats
# 生成各种正态分布随机数
np.random.seed(1234)
rn1 = np.random.normal(loc = 0, scale = 1, size = 1000)
rn2 = np.random.normal(loc = 0, scale = 2, size = 1000)
rn3 = np.random.normal(loc = 2, scale = 3, size = 1000)
rn4 = np.random.normal(loc = 5, scale = 3, size = 1000)
# 绘图
plt.style.use('ggplot')
sns.distplot(rn1, hist = False, kde = False, fit = stats.norm, 
             fit_kws = {'color':'black','label':'u=0,s=1','linestyle':'-'})
sns.distplot(rn2, hist = False, kde = False, fit = stats.norm, 
             fit_kws = {'color':'red','label':'u=0,s=2','linestyle':'--'})
sns.distplot(rn3, hist = False, kde = False, fit = stats.norm, 
             fit_kws = {'color':'blue','label':'u=2,s=3','linestyle':':'})
sns.distplot(rn4, hist = False, kde = False, fit = stats.norm, 
             fit_kws = {'color':'purple','label':'u=5,s=3','linestyle':'-.'})
# 呈现图例
plt.legend()
# 呈现图形
plt.show()

# 生成各种指数分布随机数
np.random.seed(1234)
re1 = np.random.exponential(scale = 0.5, size = 1000)
re2 = np.random.exponential(scale = 1, size = 1000)
re3 = np.random.exponential(scale = 1.5, size = 1000)
# 绘图
sns.distplot(re1, hist = False, kde = False, fit = stats.expon, 
             fit_kws = {'color':'black','label':'lambda=0.5','linestyle':'-'})
sns.distplot(re2, hist = False, kde = False, fit = stats.expon, 
             fit_kws = {'color':'red','label':'lambda=1','linestyle':'--'})
sns.distplot(re3, hist = False, kde = False, fit = stats.expon, 
             fit_kws = {'color':'blue','label':'lambda=1.5','linestyle':':'})
# 呈现图例
plt.legend()
# 呈现图形
plt.show()

随着lambda参数的增加，概率密度曲线表现得越矮，同时右边的“尾巴”会更长而厚。

seed(n)  设置随机种子
beta(a,b,size=None)  生成贝塔分布的随机数
chisquare(df,size=None)  生成卡方分布的随机数
choice(a,size=None,replace=True,p=None)  从a中有放回地随机挑选指定数量的样本
exponential(scale0=1.0,size=None)  生成指数分布的随机数
f(dfnum,dfden,size=None)  生成F分布的随机数
gamma(shape,scale=1.0,size=None)  生成伽马分布的随机数
geometric(p,size=None)  生成几何分布的随机数
hypergeometric(ngood,nbad,nsample,size=None)  生成超几何分布的随机数
laplace(loc=0.0,scale=1.0,size=None)  生成拉普拉斯分布随机数
logistic(loc=0.0,scale=1.0,size=None)  生成logistic分布随机数
lognormal(mean=0.0,sigma=1.0,size=None)  生成对数正态分布随机数
negative_binomial(n,p,size=None)  生成负二项分布随机数
multinomial(n,pvals,size=None)  生成多项分布随机数
multivariate_normal(mean,cov[,size])  多元正态分布
normal(loc=0.0,scale=1.0,size=None)  正态分布
pareto(a,size=None)  帕累托分布
poisson(lam=1.0,size=None)  泊松分布
rand(d0,d1,...,dn)  n维的均匀分布
randn(d0,d1,...,dn)  n维的标准正态分布
randint(low,high=None,size=None,dtype=’1’)  指定范围的随机数
random_sample(size=None)  [0,1)的随机数
standard_t(df,size=None)  标准的t分布随机数
uniform(low=0.0,high=1.0,size=None)  指定范围的均匀分布随机数
wald(mean,scale,size=None)  wald分布
weibull(a,size=None)   weibull分布