numpy.random.rand(3，2，3) #使用 [0,1) 區間隨機數均勻分布填充乙個(3,2,3)(自定義尺寸)陣列
numpy.random.randn(3，2，3) // 使用標準正態分佈而已
np.random.randint(low, high, size, dtype) // [low, high)隨機整數
np.random.random_sample(random_sample(size)) // 0, 1)隨機浮點數
• numpy.random.random([size])
• numpy.random.ranf([size])
• numpy.random.sample([size])
同效果choice(a, size, replace, p) // 從a中隨機抽取size個資料，類似隨機抽樣
example:
np.random.choice(10, 5)：在 np.arange(10) 中隨機抽取 5 個數
• numpy.random.beta(a，b，size)：從 beta 分布中生成隨機數。
• numpy.random.binomial(n, p, size)：從二項分布中生成隨機數。
• numpy.random.chisquare(df，size)：從卡方分布中生成隨機數。
• numpy.random.dirichlet(alpha，size)：從 dirichlet 分布中生成隨機數。
• numpy.random.exponential(scale，size)：從指數分布中生成隨機數。
• numpy.random.f(dfnum，dfden，size)：從 f 分布中生成隨機數。
• numpy.random.gamma(shape，scale，size)：從 gamma 分布中生成隨機數。
• numpy.random.geometric(p，size)：從幾何分布中生成隨機數。
• numpy.random.gumbel(loc，scale，size)：從 gumbel 分布中生成隨機數。
• numpy.random.hypergeometric(ngood, nbad, nsample, size)：從超幾何分布中生成隨機數。
• numpy.random.laplace(loc，scale，size)：從拉普拉斯雙指數分布中生成隨機數。
• numpy.random.logistic(loc，scale，size)：從邏輯分布中生成隨機數。
• numpy.random.lognormal(mean，sigma，size)：從對數正態分佈中生成隨機數。
• numpy.random.logseries(p，size)：從對數系列分布中生成隨機數。
• numpy.random.multinomial(n，pvals，size)：從多項分布中生成隨機數。
• numpy.random.multivariate_normal(mean, cov, size)：從多變數正態分佈繪製隨機樣本。
• numpy.random.negative_binomial(n, p, size)：從負二項分布中生成隨機數。
• numpy.random.noncentral_chisquare(df，nonc，size)：從非中心卡方分布中生成隨機數。
• numpy.random.noncentral_f(dfnum, dfden, nonc, size)：從非中心 f 分布中抽取樣本。
• numpy.random.normal(loc，scale，size)：從正態分佈繪製隨機樣本。
• numpy.random.pareto(a，size)：從具有指定形狀的 pareto ii 或 lomax 分布中生成隨機數。
• numpy.random.poisson(lam，size)：從泊松分布中生成隨機數。
• numpy.random.power(a，size)：從具有正指數 a-1 的功率分布中在 0，1 中生成隨機數。
• numpy.random.rayleigh(scale，size)：從瑞利分布中生成隨機數。
• numpy.random.standard_cauchy(size)：從標準 cauchy 分布中生成隨機數。
• numpy.random.standard_exponential(size)：從標準指數分布中生成隨機數。
• numpy.random.standard_gamma(shape，size)：從標準 gamma 分布中生成隨機數。
• numpy.random.standard_normal(size)：從標準正態分佈中生成隨機數。
• numpy.random.standard_t(df，size)：從具有 df 自由度的標準學生 t 分布中生成隨機數。
• numpy.random.triangular(left，mode，right，size)：從三角分布中生成隨機數。
• numpy.random.uniform(low，high，size)：從均勻分布中生成隨機數。
• numpy.random.wald(mean，scale，size)：從 wald 或反高斯分布中生成隨機數。
• numpy.random.weibull(a，size)：從威布林分布中生成隨機數。
• numpy.random.zipf(a，size)：從 zipf 分布中生成隨機數。
連續型隨機變數 概率密度函式
注 本篇的表述大部分來自陳希孺先生著 概率論與數理統計 連續型隨機變數的概率分布不能用像離散型變數那樣去描述。原因在於，這種變數的取值充滿乙個區間，無法一一排出，在應用中求精確到某一點的概率是不可能的。實際上，計算連續型隨機變數的概率一般是求隨機變數在某個區間內取值的概率，而在理論和實用上較方便的方...
概率 隨機數演算法
int generate01 int func else if num1 0 num2 1 return ret int generaterandomnum int max int bit num 0,i 0 int result 0 while 0x01 bit num max bit num w...
NumPy隨機數函式
import numpy as np a np.random rand 3,4,5 每個元素為0 1之間的浮點數 sn np.random randn 3,4,5 每個元素是根據n 0,1 的方式選取出來的浮點數 b np.random randint 100,200,3,4 每個元素為100 20...