NumPy random模块详解：从数据模拟到机器学习，掌握Python随机数生成

在数据分析、统计模拟以及机器学习中，随机数生成是必不可少的环节。你是否想过，那些用于测试的样本数据、模型的初始参数，或是蒙特卡洛模拟中的随机事件，是如何被精确构造出来的？NumPy 的 numpy.random 模块正是为解决这些问题而设计的一套强大工具集。

它允许我们生成满足特定概率分布的随机数，为科学计算和数据科学实验提供可重复的随机性基础。

需要说明的是，从 NumPy 1.17 开始，官方推荐使用新的随机数生成体系（Generator 对象）。本文介绍的 numpy.random.* 函数属于传统随机数接口（legacy API），但由于其在大量现存代码与教材中仍被广泛使用，因此仍具有重要的学习和参考价值。

按照功能划分，我们可以将这些函数大致归为五类：

1. 随机数生成器控制
2. 均匀分布随机数
3. 整数随机数
4. 随机抽样与排列
5. 常见概率分布

一、随机数生成器控制

为了保证实验的可复现性，我们经常需要固定随机序列的起点，这时就需要用到随机种子。

seed()

设置随机数种子（Random Seed）。

numpy.random.seed(seed)

参数说明：

• seed：整数种子值。

示例：

import numpy as np

np.random.seed(42)
np.random.rand(3)

输出示例：

[0.37454012 0.95071431 0.73199394]

说明：设置相同的 seed，在相同的 NumPy 版本与实现下，通常可以复现出完全相同的随机数序列。

二、均匀分布随机数

均匀分布（Uniform Distribution）是最基础也是最常用的随机数类型。NumPy 中部分函数名称并未直接体现 “uniform”，例如 rand() 与 random()，但它们本质上都生成 [0, 1) 区间的均匀分布随机数。

rand()

生成 [0, 1) 区间的均匀分布随机数。

numpy.random.rand(d0, d1, ..., dn)

参数说明：

• d0, d1, ...：输出数组的形状。

示例：

np.random.rand(2, 3)

输出示例：

[[0.12 0.56 0.91]
 [0.44 0.32 0.77]]

说明：返回值范围为 0 ≤ x < 1。

random()

生成 [0, 1) 区间的均匀分布随机数。功能与 rand() 类似，但参数指定方式不同。

numpy.random.random(size=None)

参数说明：

• size：输出数组形状，可以是一个整数或元组。

示例：

np.random.random((2, 3))

uniform()

生成指定区间 [low, high) 的均匀分布随机数。

numpy.random.uniform(low=0.0, high=1.0, size=None)

参数说明：

• low：区间下限（包含）。
• high：区间上限（通常不包含）。
• size：输出数组形状。

示例：

np.random.uniform(10, 20, size=5)

输出示例：

[13.4 17.1 10.8 19.2 15.6]

三、整数随机数

除了浮点数，NumPy 也能方便地生成随机整数。

randint()

生成指定范围 [low, high) 的随机整数。

numpy.random.randint(low, high=None, size=None, dtype=int)

参数说明：

• low：最小值（包含）。
• high：最大值（不包含）。如果 high 为 None，则生成范围是 [0, low)。
• size：输出数组形状。
• dtype：输出整数的数据类型。

示例：

np.random.randint(0, 10, size=5)

输出示例：

[3 7 1 9 0]

说明：生成范围为 low ≤ x < high。

四、随机抽样与排列

这部分函数用于从给定数据中进行随机选择或重新排列顺序。

choice()

从给定的一维数组或整数序列中随机抽取元素。

numpy.random.choice(a, size=None, replace=True, p=None)

参数说明：

• a：一维数组或整数。若为整数 n，则表示从 0 到 n-1 的整数序列中选择。
• size：抽样数量。
• replace：是否允许重复抽样（有放回抽样），默认为 True。
• p：每个元素被抽中的概率分布，其长度应与 a 一致，且所有概率之和应为 1。

示例：

np.random.choice([10, 20, 30, 40], size=3)

输出示例：

[20 40 10]

permutation()

返回序列的随机排列（副本）。原数组不会被修改。

numpy.random.permutation(x)

参数说明：

• x：整数或数组。
  • 如果 x 为整数 n，返回 0～n-1 的随机排列。
  • 如果 x 为数组，则返回数组元素的随机排列。

示例：

np.random.permutation(5)

输出示例：

[3 0 4 1 2]

shuffle()

原地打乱数组的顺序。注意：此函数会直接修改原数组。

numpy.random.shuffle(x)

参数说明：

• x：输入数组。

示例：

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

print(a)

说明：shuffle() 会直接修改原数组。对于多维数组，shuffle() 默认只打乱第一轴（即行顺序）。

五、常见概率分布

NumPy 的强大之处在于能够生成服从多种统计概率分布的随机数，这是进行复杂模拟和分析的基础。

normal()

生成正态分布（高斯分布）随机数。

numpy.random.normal(loc=0.0, scale=1.0, size=None)

参数说明：

• loc：均值（分布的中心）。
• scale：标准差（分布的宽度）。
• size：输出数组形状。

示例：

np.random.normal(0, 1, size=5)

说明：当 loc=0, scale=1 时，生成的是标准正态分布。正态分布广泛用于描述自然误差、统计推断以及机器学习中的数据预处理。

binomial()

生成二项分布随机数。它描述了在 n 次独立的是/非试验中成功的次数。

numpy.random.binomial(n, p, size=None)

参数说明：

• n：试验次数。
• p：每次试验成功的概率。
• size：输出数组形状。

示例：

np.random.binomial(10, 0.5, size=5)

说明：例如，模拟抛10次硬币得到正面朝上的次数。

poisson()

生成泊松分布随机数。常用于描述单位时间或空间内随机事件发生的次数。

numpy.random.poisson(lam=1.0, size=None)

参数说明：

• lam：单位时间（或单位面积）内事件发生的平均次数（λ）。
• size：输出数组形状。

示例：

np.random.poisson(3, size=5)

exponential()

生成指数分布随机数。常用于描述独立随机事件发生的时间间隔。

numpy.random.exponential(scale=1.0, size=None)

参数说明：

• scale：尺度参数（通常等于平均间隔时间的倒数 1/λ）。
• size：输出数组形状。

示例：

np.random.exponential(1.0, size=5)

gamma()

生成 Gamma 分布随机数。它是多个独立指数分布变量之和的分布，常用于描述等待时间或作为贝叶斯统计中的先验分布。

numpy.random.gamma(shape, scale=1.0, size=None)

参数说明：

• shape：形状参数（k）。
• scale：尺度参数（θ）。
• size：输出数组形状。

示例：

np.random.gamma(2.0, 2.0, size=5)

beta()

生成 Beta 分布随机数。其值域在 [0, 1] 之间，常用于对概率本身进行建模，是贝叶斯统计中的重要分布。

numpy.random.beta(a, b, size=None)

参数说明：

• a：形状参数 α。
• b：形状参数 β。
• size：输出数组形状。

示例：

np.random.beta(2, 5, size=5)

chisquare()

生成卡方分布随机数。这是统计学中用于假设检验（如独立性检验、拟合优度检验）的基础分布。

numpy.random.chisquare(df, size=None)

参数说明：

• df：自由度。
• size：输出数组形状。

示例：

np.random.chisquare(3, size=5)

lognormal()

生成对数正态分布随机数。如果一个变量的对数服从正态分布，那么这个变量本身就服从对数正态分布，常用于描述收入分布、粒子大小等正偏态数据。

numpy.random.lognormal(mean=0.0, sigma=1.0, size=None)

参数说明：

• mean：对应正态分布的均值（对数均值）。
• sigma：对应正态分布的标准差（对数标准差）。
• size：输出数组形状。

示例：

np.random.lognormal(0, 1, size=5)

小结

NumPy 在 numpy.random 模块中提供的这套传统随机数函数，构成了 [Python](https://yunpan.plus/f/26-1) 科学计算生态的基石之一。从简单的均匀分布 rand()，到复杂的概率分布如 normal()、gamma()，再到实用的抽样函数 choice() 和 shuffle()，它们为数据模拟、统计分析、算法测试和机器学习实验提供了可靠且高效的随机性来源。

虽然官方推荐转向新的 Generator API 以获得更好的性能和特性，但掌握这些经典函数对于阅读和维护遗留代码、理解随机数生成的基本原理依然至关重要。希望这篇梳理能帮助你在 [云栈社区](https://yunpan.plus) 的学习和项目实践中，更加游刃有余地驾驭随机性。