python 随机数库

Python中可以使用NumPy库的随机数生成函数和Matplotlib库的绘图函数来实现随机数画图。具体步骤如下： 1. 导入NumPy和Matplotlib库。 2. 使用NumPy的随机数生成函数生成随机游走方向。 3. 根据随机游走方向计算物体在二维平面上的位置。 4. 使用Matplotlib库的绘图函数绘制物体的轨迹图。 下面是一个示例代码： ``` import numpy as np import matplotlib.pyplot as plt # 设置随机数种子，保证每次运行结果相同 np.random.seed(123) # 定义随机游走步数和步长 n_steps = 1000 step_size = 0.1 # 生成随机游走方向 directions = np.random.randint(0, 4, size=n_steps) steps_x = np.where(directions == 0, -step_size, np.where(directions == 1, step_size, 0)) steps_y = np.where(directions == 2, -step_size, np.where(directions == 3, step_size, 0)) # 计算物体在二维平面上的位置 position_x = np.cumsum(steps_x) position_y = np.cumsum(steps_y) # 绘制轨迹图 plt.plot(position_x, position_y) plt.title('Random Walk') plt.xlabel('X') plt.ylabel('Y') plt.show() ``` 运行以上代码，即可得到一个随机游走的轨迹图。你可以根据需要调整步数、步长等参数，来探索不同的随机游走效果。

### Python 使用 `numpy` 生成随机数样本 在 Python 中，可以利用 NumPy 库中的函数来生成各种类型的随机数样本。以下是几种常见的方法及其对应的代码示例。 #### 方法一：使用 `numpy.random.random()` 或 `numpy.random.random_sample()` 这两个函数都可以用于生成 `[0, 1)` 范围内的均匀分布随机浮点数。它们的功能基本相同，区别仅在于名称不同[^1][^2]。 ```python import numpy as np # 单个随机数 single_random_number = np.random.random() print(f"Single Random Number: {single_random_number}") # 随机数组 (形状为 (5,)) random_array = np.random.random_sample((5,)) print(f"Random Array: {random_array}") ``` 上述代码会生成单个随机数以及一个长度为 5 的随机数组。 --- #### 方法二：使用 `numpy.random.uniform(low, high, size)` 该函数允许指定范围 `[low, high)` 来生成均匀分布的随机数样本。 ```python # 在 [2.5, 7.5) 范围内生成 3x3 的随机矩阵 uniform_random_matrix = np.random.uniform(2.5, 7.5, (3, 3)) print(f"Uniform Random Matrix:\n{uniform_random_matrix}") ``` 此代码会在 `[2.5, 7.5)` 范围内生成一个 \(3 \times 3\) 的随机矩阵。 --- #### 方法三：使用 `numpy.random.randint(low, high, size)` 如果需要生成整数型随机数，则可使用 `randint` 函数。它可以生成位于 `[low, high)` 范围内的随机整数[^4]。 ```python # 在 [1, 10) 范围内生成 3x4 的随机整数矩阵 integer_random_matrix = np.random.randint(1, 10, (3, 4)) print(f"Integer Random Matrix:\n{integer_random_matrix}") ``` 这段代码将在 `[1, 10)` 范围内生成一个 \(3 \times 4\) 的随机整数矩阵。 --- #### 方法四：使用 `numpy.random.randn(size)` 当需要生成标准正态分布（均值为 0，方差为 1）的随机数时，可以选择 `randn` 函数[^3]。 ```python # 生成服从标准正态分布的 4x4 矩阵 normal_distribution_matrix = np.random.randn(4, 4) print(f"Normal Distribution Matrix:\n{normal_distribution_matrix}") ``` 以上代码将生成一个 \(4 \times 4\) 的矩阵，其中每个元素都来自标准正态分布。 --- #### 设置随机种子以确保结果可重复 为了使每次运行程序得到相同的随机数序列，可以通过设置随机种子实现这一点。 ```python np.random.seed(42) # 示例：固定种子后的随机数生成 fixed_seed_random_numbers = np.random.random(5) print(f"Fixed Seed Random Numbers: {fixed_seed_random_numbers}") ``` 通过调用 `np.random.seed(value)` 可以设定固定的随机种子，从而让后续生成的随机数保持一致。 --- ### 总结 NumPy 提供了多种生成随机数的方式，可以根据具体需求选择合适的函数。对于简单的均匀分布随机数，推荐使用 `random()` 和 `random_sample()`；而对于更复杂的场景，如生成特定区间或分布的随机数，则有更多针对性的函数可供选用。