随机数模块(random)

生成服从特定统计规律的随机数序列。

二项分布（binomial）

二项分布就是重复n次独立事件的伯努利试验。在每次试验中只有两种可能的结果，而且两种结果发生与否互相对立，并且相互独立，事件发生与否的概率在每一次独立试验中都保持不变。

# 产生size个随机数，每个随机数来自n次尝试中的成功次数，其中每次尝试成功的概率为p。np.random.binomial(n, p, size)

二项分布可以用于求如下场景的概率的近似值：

某人投篮命中率为0.3，投10次，进5个球的概率。

sum(np.random.binomial(10, 0.3, 200000) == 5) / 200000

#随机数import  numpy as np#命中率0.3 投10次,进几个?n = np.random.binomial(10,0.3,100000)for i in range(0,11):  p = (n==i).sum()/100000  print(i,':',p)

某人打客服电话，客服接通率是0.6，一共打了3次，都没人接的概率。

sum(np.random.binomial(3, 0.6, 200000) == 0) / 200000

超几何分布(hypergeometric)

# 产生size个随机数，每个随机数t为在总样本中随机抽取nsample个样本后好样本的个数，总样本由ngood个好样本和nbad个坏样本组成np.random.hypergeometric(ngood, nbad, nsample, size)

#超几何分布n = np.random.hypergeometric(7,3,5,200000)# print(n)for i in range(2,6):  p=(n==i).sum()/200000  print(i, ':', p)

正态分布(normal)

# 产生size个随机数，服从标准正态(期望=0, 标准差=1)分布。np.random.normal(size)# 产生size个随机数，服从正态分布(期望=1, 标准差=10)。np.random.normal(loc=1, scale=10, size)

通常在数据分析的数据预处理阶段,会对当前样本数据进行少量的异常值修改与缺少值填充,可以使用random得到符合某种概率分布的一组随机数,完成数据预处理.