利用numpy.random模块中的rand()与randn()函数进行分析对比

简介：
在Python的科学计算库NumPy中，`numpy.random.randn()`和`numpy.random.rand()`是两个功能块被广泛使用的函数。它们虽然都被用作生成多维数组并填充均匀分布在指定区间内的随机数值，但具体而言，`numpy.random rand()`会生成服从标准正态分布的浮点数序列，而`numpy.random.randn()`则会生成均值为0、方差为1的标准正态分布 floats。`numpy.random.randn(d0, d1, ..., dn)`该函数遵循标准正态分布的概率密度函数。其概率密度函数为均值为零、方差为一的连续型随机变量分布。这表明生成的数据样本将在零附近呈现集中的趋势，且大多数观测值将落在±1个标准差（约1.96）范围内。例如，在代码中我们生成了一个2行4列的数组`arr1`，其中每个元素都是从标准正态分布抽取的随机数：```python arr1 = np.random.randn(2, 4) ```该数组中的数值可能包含负数和正数，由于其对称特性，这些数值以相等的概率出现。另一方面，`numpy.random.rand(d0, d1, ..., dn)`函数创建了一个位于[0.0至1.0）范围内的离散型均匀分布数组。这一特性表明，该函数生成的所有数值均落在0.0至1.0区间内，并且都不包含端点值。例如，以下代码展示了如何构造一个形状为（2,4）的二维数组： ``` arr2 = numpy.random.rand(2, 4) ``````python arr2 = np.random.rand(2, 4) ```输出数组元素属于0到1之间的浮点数集合，所有元素在该区间内的概率分布均相等。在实际应用中，`randn()`被广泛应用于模拟自然界中的随机现象，例如物理系统中的随机波动过程，因其能够反映多种自然现象的统计特性。而`rand()`则主要用于生成均匀分布的随机数序列，在涉及随机选择、概率抽样或模型参数初始化等场景下发挥重要作用。 总体而言，`numpy.random.randn()`与`numpy.random.rand()`其主要差异体现在它们的参数数量及生成数据类型的分布特点。 分布类型：`randn()` 服从标准正态分布，其取值范围从负无穷到正无穷，但主要集中在 0 周围；而 `rand()` 则遵循等概率分布在区间 [0,1) 上。在应用场景上，`randn()` 可用于生成符合正态分布的数据进行模拟；`rand()` 适用于模拟均匀分布在区间 [0,1) 上的随机数。 掌握这两个函数间的区别对于利用NumPy进行数据分析和模拟具有重要意义。正确随机数分布的影响会直接影响实验结果的准确性和可靠性。在数值模拟或统计分析过程中，选择适当的随机数生成器至关重要。