在机器学习的任务中，经常需要对某一个集合进行随机采样，而随机采样就需要使用随机数。本节学习的是通过不同的随机分布产生数值或者数组。

产生随机数

使用np.random.randint生成伪随机整数

np.random是NumPy的产生伪随机数的子模块，该模块提供了所有产生伪随机数所需要的所有操作，并将上述操作进行扩展为多维情况。

print(np.random.randint(5))
print(np.random.randint(5))
print(np.random.randint(5, high=6))

random_arr = np.random.randint(-3, high=14,
                               size=(2, 2))
print(repr(random_arr))

np.random.randint有许多参数，其中最重要的分别是第一个参数，high参数以及size参数。第一个参数在未指定high参数时为upper end，即：最大的那一端。需要注意的是，在上述情况下，是不包括upper end的。举个例子，如果为np.random.randint(n)，则在[0, n)之间均匀的选择一个整数。

当指定high参数时，第一个参数为lower end，high指定的数值为upper end，即：[lower_end, upper_end)。size参数指定随机生成的结果数组的大小，如：size=(2,2)，随机生成一个2行2列的数组。默认情况下，size=1

从给定分布中产生随机数

例如使用np.random.uniform，默认参数下可以从[0.0, 1.0)的均匀分布中产生一个随机实数

print(np.random.uniform())
print(np.random.uniform(low=-1.5, high=2.2))
print(repr(np.random.uniform(size=3)))
print(repr(np.random.uniform(low=-3.4, high=5.9,
                             size=(2, 2))))

如果指定low和high，则从[low, high)内随机产生一个实数。

也可以从np.random.normal，即：高斯分布下产生一个随机实数。

print(np.random.normal())
print(np.random.normal(loc=1.5, scale=3.5))
print(repr(np.random.normal(loc=-2.4, scale=4.0,
                            size=(2, 2))))

其中loc指的是均值，也就是高斯分布中的$\mu$；scale指的是标准差，也就是高速分布中的$\sigma$。

随机数种子与打乱给定数组

随机数种子

由于伪随机数的产生依赖于随机数种子，因此对于同一个随机数种子，程序在每次运行时产生的都会是相同的结果，因此可以通过np.random.seed来设置随机数种子。如果把随机数种子比做选择一个骰子的话，那么randint就相当于掷骰子。

np.random.seed(1)
print(np.random.randint(10))
random_arr = np.random.randint(3, high=100,
                               size=(2, 2))
print(repr(random_arr))

# New seed
np.random.seed(2)
print(np.random.randint(10))
random_arr = np.random.randint(3, high=100,
                               size=(2, 2))
print(repr(random_arr))

# Original seed
np.random.seed(1)
print(np.random.randint(10))
random_arr = np.random.randint(3, high=100,
                               size=(2, 2))
print(repr(random_arr))

打乱指定数组

np.radom.shuffle通过我们设置的随机数种子，可以将给定数组进行打乱重组。需要注意的是：这个打乱重组是in-place的，也就是说会直接修改传入的数组；而且，如果我们想要打乱的是多维数组的话，它仅仅打乱第一个维度

vec = np.array([1, 2, 3, 4, 5])
np.random.shuffle(vec)
print(repr(vec))
np.random.shuffle(vec)
print(repr(vec))

matrix = np.array([[1, 2, 3],
                   [4, 5, 6],
                   [7, 8, 9]])
np.random.shuffle(matrix)
print(repr(matrix))

np.random.shuffle(matrix)仅仅打乱第一个维度，也就是对[0, 1, 2]进行打乱，打乱的结果为：

array([[4, 5, 6],
       [7, 8, 9],
       [1, 2, 3]])

从自定义分布中随机选择样本

NumPy也提供了方法从自定义的分布中选择随机样本，使用np.random.choice即可完成上述功能.

colors = ['red', 'blue', 'green']
print(np.random.choice(colors))
print(repr(np.random.choice(colors, size=2)))
print(repr(np.random.choice(colors, size=(2, 2),
                            p=[0.8, 0.19, 0.01])))

np.random.choice的第一个参数是总体的集合，size指定结果数组的大小，而p参数指定总体集合的各个元素的概率分布。