🧑 博主简介：阿里巴巴嵌入式技术专家，深耕嵌入式+人工智能领域，具备多年的嵌入式硬件产品研发管理经验。

📒 博客介绍：分享嵌入式开发领域的相关知识、经验、思考和感悟，欢迎关注。提供嵌入式方向的学习指导、简历面试辅导、技术架构设计优化、开发外包等服务，有需要可加文末联系方式联系。

💬 博主粉丝群介绍：① 群内高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

1. NumPy库介绍

NumPy（Numerical Python）是Python编程语言的一个基础库，广泛用于科学计算、数据分析和机器学习。它提供了高效的多维数组（ndarray）以及针对这些数组的各种操作函数。NumPy因其高性能、简洁的API以及强大的数值计算能力而著称，是数据科学家、工程师和研究人员的常用工具。

NumPy不仅支持基本的数组操作，还包括线性代数、随机数生成、傅里叶变换等高级功能模块。这使得NumPy在处理大量数据时显得尤为重要。

2. random 模块介绍

numpy.random 模块提供了一系列随机数生成函数，涵盖各种分布类型。这些函数在模拟、数值仿真和统计学中非常有用。通过numpy.random，用户可以高效地生成伪随机数，并可以控制生成的伪随机数的分布类型和参数。

常用的 numpy.random 函数概述：

• random.rand：生成均匀分布的随机数。
• random.randn：生成标准正态分布的随机数。
• random.randint：生成随机整数。
• random.choice：从给定数组中生成随机样本。
• random.permutation：返回一个随机排序的序列。

2.1 函数定义及参数说明

random.rand

创建指定形状的数组，数组中的值服从[0, 1)区间的均匀分布。

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

参数:

• d0, d1, ..., dn：输出数组的形状。

返回:

• 满足要求形状的随机值数组。

random.randn

创建指定形状的数组，数组中的值服从标准正态分布（均值为0，标准差为1）。

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

参数:

• d0, d1, ..., dn：输出数组的形状。

返回:

• 满足要求形状的标准正态分布随机值数组。

random.randint

生成随机整数，范围从低（包含）到高（不包含）。

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

参数:

• low：随机整数的最低范围（包含）。
• high：随机整数的最高范围（不包含），如果未指定，则生成范围为[0, low)。
• size：输出形状。
• dtype：输出数组的数据类型。

返回:

• 随机整数数组。

random.choice

从给定的一维数组中随机抽取样本。

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

参数:

• a：一维数组，或整数（表示从np.arange(a)中抽取）。
• size：输出样本数。
• replace：布尔值，是否允许重复抽样。
• p：与a相同长度的数组，每个元素被选中的概率。

返回:

• 随机样本数组。

random.permutation

返回一个随机排序的序列。

numpy.random.permutation(x)

参数:

• x：整数或数组。

返回:

• 随机排序的数组。

3. 示例代码

通过以下示例代码，我们将展示numpy.random模块的具体用法。

3.1 生成均匀分布的随机数

这个示例展示了如何生成服从[0, 1)区间上的均匀分布随机数。

import numpy as np

# 生成一个二维数组，形状为（3, 2），元素为均匀分布随机数
random_array = np.random.rand(3, 2)
print("Random array with uniform distribution:\n", random_array)

输出示例：

Random array with uniform distribution:
 [[0.5488135  0.71518937]
 [0.60276338 0.54488318]
 [0.4236548  0.64589411]]

3.2 生成标准正态分布的随机数

这个示例展示了如何生成服从标准正态分布（均值为0，标准差为1）的随机数。

import numpy as np

# 生成一个一维数组，包含5个标准正态分布随机数
normal_array = np.random.randn(5)
print("Random array with standard normal distribution:\n", normal_array)

输出示例：

Random array with standard normal distribution:
 [ 1.76405235  0.40015721  0.97873798  2.2408932   1.86755799]

3.3 生成随机整数

这次我们示范如何生成指定范围内的随机整数。

import numpy as np

# 生成一个形状为（3, 3）的数组，元素为[0, 10)区间的随机整数
random_integers = np.random.randint(0, 10, (3, 3))
print("Random integer array:\n", random_integers)

输出示例：

Random integer array:
 [[3 7 9]
 [3 7 2]
 [5 4 7]]

3.4 从给定数组中随机抽样

我们可以从一个给定的数组（或整数范围）中抽取随机样本。

import numpy as np

# 从数组a中随机抽取3个元素
a = np.array([10, 20, 30, 40, 50])
choice_array = np.random.choice(a, 3)
print("Random choice from the array:\n", choice_array)

输出示例：

Random choice from the array:
 [30 10 20]

3.5 生成随机排序的序列

这个示例展示了如何对一个数组或整数范围进行随机排序。

import numpy as np

# 随机打乱一个数组
arr = np.array([1, 2, 3, 4, 5])
permuted_array = np.random.permutation(arr)
print("Randomly permuted array:\n", permuted_array)

输出示例：

Randomly permuted array:
 [3 5 1 2 4]

4. 实际应用：蒙特卡洛模拟

蒙特卡洛模拟是利用随机数生成来进行数值模拟的一种方法。在金融、物理、工程等领域有广泛应用。这里我们展示一个简单的蒙特卡洛法估算圆周率。

4.1 蒙特卡洛模拟估算圆周率

通过在单位正方形内生成随机点，计算落在单位圆内点的比例，可以估算圆周率。

import numpy as np

# 生成随机点数量
num_points = 10000

# 生成均匀分布的随机点
points = np.random.rand(num_points, 2)

# 计算落在单位圆内的点
inside_circle = np.sum(np.square(points).sum(axis=1) <= 1.0)

# 估算圆周率
pi_estimate = (inside_circle / num_points) * 4
print("Estimated value of Pi:", pi_estimate)

输出示例：

Estimated value of Pi: 3.148

通过增加 num_points 的数量，可以提升估算的准确度。

5. 总结

NumPy 是进行科学计算的强大工具，其 numpy.random 模块提供了丰富的随机数生成函数。这些函数不仅能够生成不同分布的随机数，还能在模拟、数值仿真和统计学等领域中发挥重要作用。

在这篇文章中，我们详细介绍了 numpy.random 中的几个常用函数，包括生成均匀分布的随机数、标准正态分布的随机数、随机整数、从给定数组中抽样以及生成随机排序的序列。通过这些函数，我们可以轻松实现各种随机数生成任务。

此外，我们还展示了蒙特卡洛模拟在估算圆周率中的具体应用，展示了 numpy.random 的实际应用场景。

掌握 numpy.random 模块，将大大提高我们在随机数生成和数值模拟方面的工作效率和准确性。如果你对 NumPy 及其功能有更多兴趣，建议进一步学习和探索。