一、NumPy简介
NumPy是一个开源的Python科学计算库，用于在Python中进行数值计算和数组操作，拥有丰富的数学和科学计算函数库，被广泛应用于各种工程和科学计算领域。
通过NumPy可以快速创建多维数组，并提供了各种各样的函数和方法，方便进行数组运算和操作。
在数据科学、机器学习、深度学习等领域，NumPy是不可或缺的一个工具。
二、NumPy生成随机数
在实际的数据模型中，随机数是一项非常重要的要素。利用NumPy可以快速生成符合某种分布的随机数，便于模拟各种情况，进行数据分析和建模。
1.生成[0,1)之间的随机数
使用NumPy的random模块，可以生成[0,1)之间的均匀分布的随机数。
import numpy as np
# 生成10个[0,1)之间的随机数
arr = np.random.rand(10)
print(arr)
输出为：
[0.34207612 0.1597673 0.83581959 0.36735723 0.1931677 0.78790181
0.70976299 0.1312842 0.48177913 0.52196794]
2.生成整数随机数
使用NumPy的random模块，可以生成整数的离散分布的随机数。
通过给定参数，可以生成符合不同分布和范围的整数随机数。
import numpy as np
# 生成一个范围为[2,6)的整数数组，数组大小为(2,3)
arr = np.random.randint(2,6,(2,3))
print(arr)
输出为：
[[3 4 3]
[2 2 3]]
3.生成符合正态分布的随机数
使用NumPy的random模块，可以生成符合正态分布的随机数。
通过给定参数，可以生成符合不同均值和标准差的正态分布的随机数。
import numpy as np
import matplotlib.pyplot as plt
# 生成符合正态分布的随机数
mu, sigma = 0, 0.1 # 均值和标准差
arr = np.random.normal(mu, sigma, 1000)
# 绘制直方图
count, bins, ignored = plt.hist(arr, 30, density=True)
plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) * np.exp( - (bins - mu)**2 / (2 * sigma**2) ),
linewidth=2, color='r')
plt.show()
输出的正态分布随机数直方图如下：
三、随机数在数据建模中的应用
随机数在数据建模中起到了非常重要的作用，通过随机数生成，可以对数据进行模拟和分析。
1.模拟金融市场
利用随机数生成，可以构建各种金融市场模拟的数据，用于分析和预测。
import numpy as np
import matplotlib.pyplot as plt
# 模拟股票价格的波动
days = np.arange(0, 200, 1)
prices = np.zeros(200)
prices[0] = 100
noise = np.random.normal(0, 1, 200)
for i in range(1,len(days)):
prices[i] = prices[i-1] + noise[i-1]
# 绘制价格变化图
plt.plot(days,prices)
plt.show()
输出的股票价格变化图如下：
2.生成随机样本数据
利用随机数，可以生成符合某种模式或规律的样本数据，用于进行数据分析和建模。
import numpy as np
import matplotlib.pyplot as plt
# 生成随机样本数据
rand1 = np.random.normal(50, 10, 200)
rand2 = np.random.normal(30, 5, 200)
rand3 = np.random.normal(80, 15, 200)
# 绘制三种数据的直方图
plt.hist(rand1, 50)
plt.hist(rand2, 50)
plt.hist(rand3, 50)
plt.show()
输出的三种数据的直方图如下：
四、总结
通过NumPy的random模块，可以方便快捷地生成符合不同分布的随机数，为数据分析、机器学习、深度学习等领域提供了强有力的工具。
随机数在数据建模中起到了非常重要的作用，通过随机数生成，可以对数据进行模拟和分析，得到更好的建模结果。
