极客笔记如何使用Python Numpy生成随机数？
在Python中，我们经常需要使用随机数。Numpy（Numerical Python）是Python科学计算的核心库之一，其中包含了很多高效的随机数生成函数。本文将介绍如何使用Numpy生成各种类型的随机数。
阅读更多：Python 教程
均匀分布随机数
均匀分布是指随机数在一定范围内出现的概率相等。在Numpy中，可以使用random.uniform生成均匀分布的随机数。
import numpy as np
# 生成在[0, 1)范围内的随机数
print(np.random.uniform())
# 生成在[-1, 1)范围内的随机数
print(np.random.uniform(-1, 1))
# 生成一个2x3的矩阵，元素范围在[0, 1)内
print(np.random.uniform(size=(2,3)))
上述代码将会输出类似以下内容：
0.7830204764097755
-0.6024909852952624
[[0.34105272 0.67882331 0.70898457]
[0.51890482 0.98479483 0.07407389]]
可以看到，random.uniform函数可以接受不同的参数，生成不同范围（默认是[0, 1)）的随机数。
正态分布随机数
正态分布是指随机数在一定区间内的出现频率符合正态分布曲线。在Numpy中，可以使用random.normal生成服从正态分布的随机数。
import numpy as np
# 生成均值为0，方差为1的标准正态分布随机数
print(np.random.normal())
# 生成均值为2，方差为3的正态分布随机数
print(np.random.normal(2, 3))
# 生成一个3x3的矩阵，元素服从标准正态分布
print(np.random.normal(size=(3,3)))
上述代码将会输出类似以下内容：
0.5211867322052376
1.2722538243238863
[[ 0.05001764 -1.61615765 0.27323737]
[-0.00624398 -2.04303187 -1.44730459]
[ 0.95948903 -0.88652809 -1.19475716]]
可以看到，random.normal函数可以接受不同的参数，生成不同均值和方差（默认是0和1）的正态分布随机数。
整数随机数
在有些情况下，需要生成整数随机数。在Numpy中，可以使用random.randint函数生成整数随机数。
import numpy as np
# 生成一个[0, 9]之间的整数随机数
print(np.random.randint(10))
# 生成一个[5, 15)之间的整数随机数
print(np.random.randint(5, 15))
# 生成一个3x3的矩阵，元素在[0, 10)之间
print(np.random.randint(0, 10, size=(3,3)))
上述代码将会输出类似以下内容：
4
6
[[0 5 2]
[6 1 8]
[1 1 5]]
可以看到，random.randint函数可以接受不同的参数，生成不同范围（默认是[0, high)）的整数随机数。
更多随机数生成函数
除了上述函数外，Numpy还包含了很多其他随机数生成函数，比如random.binomial生成二项分布随机数，random.poisson生成泊松分布随机数，random.choice从给定的序列中随机选取元素等等。这些函数可以根据不同的需要灵活使用。
import numpy as np
# 生成二项分布随机数，n次重复，成功概率为p
print(np.random.binomial(10, 0.5))
# 生成泊松分布随机数，平均值为lamda
print(np.random.poisson(3))
# 对给定序列进行取样
x = [1, 3, 5, 7, 9]
print(np.random.choice(x, size=3))
上述代码将会输出类似以下内容：
6
3
[1 3 5]
种子
生成随机数是基于一定的计算算法，这意味着同样的算法和种子（seed）将会生成相同的随机数序列。在Numpy中，可以使用random.seed函数设置种子，以保证生成相同的随机数序列。
import numpy as np
# 设置种子为1，生成0到1之间的随机浮点数
np.random.seed(1)
print(np.random.rand())
# 再次生成，将会得到相同的结果
np.random.seed(1)
print(np.random.rand())
上述代码将会输出类似以下内容：
0.417022004702574
0.417022004702574
可以看到，当种子为1时，rand函数每次生成的随机浮点数都是相同的。
结论
本文介绍了如何使用Numpy生成不同类型的随机数，并且能够设置种子以生成相同的随机数序列。在实际应用中，我们可以根据不同的需要选择合适的随机数生成函数进行使用。