回顾
在数据处理利器NumPy初识（三）中，我们介绍了NumPy中对ndarray数据的各种运算以及NumPy中广播机制的基本概念和用法。今天我们来看一下NumPy中随机数的相关内容和对ndarray的存储与加载。
NumPy中的随机数
NumPy中的随机数集中在random包中，它包含了多种概率分布的随机样本，是数据计算、数据分析中的重要辅助工具，主要包括normal(mean,stdev,size)、random(size)、rand(d0, d1, ..., dn)、randn(d0, d1, ..., dn)、randint(low[, high, size, dtype])、choice(a[, size, replace, p])等函数。下面我们分别看一下这几种随机数的用法。
- normal(mean,stdev,size)
normal(mean,stdev,size)生成一组均值为mean，标准差为stdev、大小形状为size的高斯随机数或高斯随机数ndarray。?
import numpy as np
arr = np.random.normal(2, 1, size=(5, 5))
print(arr)
print("---------------")
print(arr.mean())
print("---------------")
print(arr.std())
我们创建了一个均值为2，标准差为1的5*5的ndarray，然后使用mean()函数和std()函数分别计算这个ndarray的均值和标准差，虽然由于浮点数误差可能存在偏差，但结果基本上是接近mean=2、std=1的。运行结果如下所示。
- random(size)
random(size)生成一组[0，1)范围（大于等于0小于1）、大小形状为size的随机数或随机数ndarray。此外，random_sample(size)、ranf(size)、sample(size)与random(size)的用法与功能基本一样。?
import numpy as np
arr1 = np.random.random(size=(5, 5))
print(arr1)
print("---------------")
arr2 = np.random.random_sample(size=(5, 5))
print(arr2)
print("---------------")
arr3 = np.random.ranf(size=(5, 5))
print(arr3)
print("---------------")
arr4 = np.random.sample(size=(5, 5))
print(arr4)
我们分别用random(size)、random_sample(size)、ranf(size)、sample(size)这四个函数创建5*5的ndarray，可以看到，这四个函数创建的ndarray中的元素都是[0，1)范围内的。运行结果如下所示。
- rand(d0, d1, ..., dn)
rand(d0, d1, ..., dn)生成一个[0, 1)的均匀分布的随机浮点数或N维随机浮点数ndarray，如果没有参数，则返回一个值，如果有参数，则返回d0*d1*…*dn个值。?
import numpy as np
x = np.random.rand()
print(x)
print("---------------")
arr = np.random.rand(2, 2, 3)
print(arr)
运行结果如下， 当给rand()函数传入参数时，d0, d1, ..., dn分别表示第1、2、...、(n-1)维上的元素个数，会生成一个d0*d1*…*dn的ndarray。
- randn(d0, d1, ..., dn)
randn(d0, d1, ..., dn)生成一个期望为0、方差为1（标准正态分布）的随机浮点数或N维随机浮点数ndarray，参数d0, d1, ..., dn的含义与rand()函数中的参数是一样的。?
import numpy as np
x = np.random.randn()
print(x)
print("---------------")
arr = np.random.randn(2, 4, 4)
print(arr)
print("---------------")
print("均值为: " + str(arr.mean()))
print("方差为: " + str(arr.var()))
运行结果如下所示，可以看到，虽然存在误差，但是均值和方差分别是解决0和1的。
- randint(low[, high, size, dtype])
randint(low[, high, size, dtype])生成一个整数或N维整数ndarray。当传入参数high时，范围为[low，high)，当不传参数high时，范围就会变成为[0，low)；size表示生成的ndarray维度大小；dtype为数据类型，但是只能传整型（int、int8、int32、int64等），默认的数据类型是np.int。?
import numpy as np
print(np.random.randint(5))
print("---------------")
print(np.random.randint(5, 10))
print("---------------")
print(np.random.randint(5, size=10))
print("---------------")
print(np.random.randint(5, 10, size=(2, 5)))
print("---------------")
print(np.random.randint(5, dtype=np.int32))
运行结果如下所示。
- choice(a[, size, replace, p])
choice(a[, size, replace, p])生成一个元素值来自数组a、大小形状为size的值或ndarray。a表示输入数组，即生成结果的元素的来源数组，当输入为单个数字例如5时，为range(5)；size表示输出的ndarray大小形状，默认为1；replace设置输出数字是否可重复，False代表不可重复，比如a=[1，2，3，4，5]，输出的ndarray中1，2，3，4，5不能重复，所以该ndarray的维数不能超过5；p代表a中对应的单位出现的概率，为一个数组，例如[0.1，0.2，0.1，0.3，0.3]，他们维数和a相同，且加起来总和必须等于1。?
import numpy as np
arr_from = [2, 12, 6, 8, 9]
arr1 = np.random.choice(arr_from)
print(arr1)
print("---------------")
arr2 = np.random.choice(arr_from, size=(2, 3))
print(arr2)
print("---------------")
arr3 = np.random.choice(arr_from, size=(2, 2), replace=False)
print(arr3)
print("---------------")
arr4 = np.random.choice(arr_from, size=(2, 3), p=[0.1, 0.1, 0.1, 0.1, 0.6])
print(arr4)
print("---------------")
arr_str_from = ['xzq', 'qlh', 'xzq666', 'qlh888']
result = np.random.choice(arr_str_from)
print(result)
arr1只传入来源数组a，得到的是一个来自a的值；arr2传入size，返回的结果就会变成指定大小形状的ndarray；arr3将replace参数设置成False，元素不可重复，所以size的大小必须小于源数组a；arr4设置概率p，为了观察差异，我们将最后一个元素9的概率设置成0.6，可以发现，得到的ndarray中出现9的频率会特别高。此外，当源数组a中拥有字符型数据时，整个源数组中的元素都会被转成字符型数据。运行结果如下所示。
- seed(n)
我们在使用随机数时，有时候会有生成相同随机数的需求，NumPy中使用seed()函数来控制生成相同的随机数，每次运行代码时给seed()函数设置相同的标记n时，即可生成相同的随机数。?
import numpy as np
# 不使用seed
a = np.random.rand(5)
print('第一次列表a：',a)
a = np.random.rand(5)
print('第二次列表a：',a)
print("---------------")
# 使用seed
np.random.seed(2)
b = rand(5)
print('第一次列表b：',b)
np.random.seed(2)
b = rand(5)
print('第二次列表b：',b)
np.random.seed(2)
b = rand(5)
print('第三次列表b：',b)
np.random.seed(0)
b = rand(5)
print('第四次列表b：',b)
np.random.seed(0)
b = rand(5)
print('第五次列表b：',b)
np.random.seed(2)
b = rand(5)
print('第六次列表b：',b)
b = rand(5)
print('第七次列表b：',b)
我们通过几组随机数来看一下是否设置seed()函数对生成随机数的影响。运行结果如下所示，可以看到，当不设置seed时，生成的随机数都是随机的不相同的；而使用seed()函数时，对于设置了相同标记的seed(n)时，生成的随机数是一模一样的，如第一次、第二次、第三次、第六次都设置了seed(2)，第四次、第五次都设置了seed(0)，返回的就分别是一样的随机数，而第七次我们没设置任何seed()，所以又返回了不一样的随机数。
ndarray的存储与加载
NumPy中可以怼ndarray数据进行存储，以便下次继续使用，一般我们将ndarray数据保存成.npy文件。NumPy中使用save()函数对ndarray进行保存，基本用法如下。?
import numpy as np
arr = np.random.rand(4, 4)
print(arr)
np.save('/Users/qhzc-imac-02/Desktop/result.npy', arr)
print('保存成功')
运行结果如下所示。我们传入路径和要保存的ndarray，运行后就会在指定路径下生成一个.npy文件。
我们用sublime把这个文件打开，可以看到如下内容。
保存的.npy文件是以二进制格式存储的，所以看到的并不是我们的原始数组。但这不影响我们对保存的数据的继续使用，待下次使用时，只需要使用NumPy中的load()函数即可。?
import numpy as np
arr_load = np.load('/Users/qhzc-imac-02/Desktop/result.npy')
print(arr_load)
print('加载成功')
运行结果如下所示，加载的ndarray就是我们之前保存的ndarray，内容是完全一样的。
如果我们要将多个ndarray保存到同一个文件中，这时我们可以使用NumPy的savez()函数。savez函数的第一个参数是路径，后面的参数则是需要保存的ndarray，有几个传几个，也可以使用关键字参数为ndarray起一个名字，非关键字参数传递的ndarray会自动为传入的数组命名为arr_0，arr_1，arr2等。savez函数保存的是一个.npz压缩文件，其中每个文件都是一个.npy文件，文件名对应于ndarray名。基本用法如下。?
import numpy as np
arr1 = np.random.rand(2, 2)
arr2 = np.random.rand(3, 3)
arr3 = np.random.rand(4, 4)
np.savez('/Users/qhzc-imac-02/Desktop/ndarrays_save.npz', arr1, no2=arr2, no3=arr3)
print(arr1)
print("---------------")
print(arr2)
print("---------------")
print(arr3)
print("---------------")
print('保存成功')
运行后会在指定路径下生成一个.npz文件，它也是以二进制格式存储的。便于与加载结果的对比将运行结果记录如下。
加载.npz文件同样通过NumPy的load()函数，load()函数会自动识别.npz文件，并且返回一个类似于字典的对象，可以通过ndarray名作为关键字获取ndarray的内容。?
import numpy as np
ndarray_dict = np.load('/Users/qhzc-imac-02/Desktop/ndarrays_save.npz')
print(ndarray_dict['arr_0'])
print("---------------")
print(ndarray_dict['no2'])
print("---------------")
print(ndarray_dict['no3'])
运行结果如下所示。使用时注意保存时给每个ndarray的命名，可以看到，加载出来的数据与保存的是一致的。
以上对ndarray的保存都是以二进制格式保存的，如果我们想从保存的文件中查看我们保存的内容，可以将ndarray保存成.txt格式。NumPy中使用savetxt()函数来存储.txt格式，对应的使用loadtxt()函数来加载.txt文件中的ndarray。?
import numpy as np
arr = np.random.rand(4, 4)
print(arr)
print("---------------")
np.savetxt('/Users/qhzc-imac-02/Desktop/ndarray1.txt', arr, delimiter=',')
arr_txt_load1 = np.loadtxt('/Users/qhzc-imac-02/Desktop/ndarray1.txt', delimiter=',')
print(arr_txt_load1)
print("---------------")
np.savetxt('/Users/qhzc-imac-02/Desktop/ndarray2.txt', arr, delimiter=',', fmt='%.2f')
arr_txt_load2 = np.loadtxt('/Users/qhzc-imac-02/Desktop/ndarray2.txt', delimiter=',')
print(arr_txt_load2)
我们创建一个4*4的随机ndarray，分别保存成两个.txt文件，都使用“,”作为分隔符，同时将保存至ndarray2.txt的ndarray设置成保留两位小数。运行后可以看到在指定位置生成了ndarray1.txt和ndarray2.txt两个文件，我们打开这两个文件可以看到如下内容。
ndarray1.txt文件保存的是源数据，而ndarray2.txt文件由于设置了保存两位小数，所以是格式化后的数据。此时再调用loadtxt()函数分别加载这两个.txt文件，就会得到各自文件中的内容。从ndarray1.txt加载的内容与源ndarray一模一样，ndarray2.txt则会加载保留两位小数的ndarray。
总结
以上介绍了NumPy中随机数的基本概念和用法，包括random包下的几个常用相关函数和控制随机数的seed()函数，以及NumPy中对ndarray的存储与加载。感谢大家的关注，欢迎批评指正，一起交流~
?