通过 numpy 生成数据的几种常用方式

原创

密码学人CipherHUB

发布于 2025-05-19 19:16:50

18500

代码可运行

文章被收录于专栏：数理视界数理视界

运行总次数：0

代码可运行

通过 numpy 生成数据的几种常用方式

NumPy作为Python科学计算的核心库，提供了丰富的数据生成方法。本文将结合实例代码，详细解析7种最常用的数据生成方式。

一、等间隔序列生成

1.1 linspace方法

np.linspace(start, stop, num)生成闭区间内指定数量的等分点：

# 生成[-5, 5]内的9个等分点（包含端点）
x = np.linspace(-5, 5, 9)
# 结果：[-5. -3.75 -2.5 ... 3.75 5. ]

特点：

精确控制数据点数量
默认包含右端点（可通过endpoint=False关闭）

1.2 arange方法

np.arange(start, stop, step)生成固定步长的序列：

# 生成[-5, 5)步长为1的整数序列
x = np.arange(-5, 5, 1)
# 结果：[-5 -4 -3 ... 3 4]

注意事项：

右开区间设计（不包含stop值）
浮点步长可能导致精度问题（建议优先使用linspace）

二、随机数生成

2.1 均匀分布

np.random.uniform(low, high, size)生成指定区间内的均匀分布随机数：

# 生成10个[-5,5)的随机数
x = np.random.uniform(-5, 5, 10)
# 示例值：[-4.57, -0.18, 3.08,...]

np.random.rand(d0,d1,...)生成[0,1)区间的均匀分布：

# 生成3x2矩阵
x = np.random.rand(3, 2)
# 示例值：[[0.297, 0.374],...]

2.2 正态分布

np.random.normal(loc, scale, size)生成指定参数的正态分布：

# 均值5，标准差2的10个样本
x = np.random.normal(5, 2, 10)
# 示例值：[0.78, 5.08, 4.88,...]

2.3 随机整数

np.random.randint(low, high, size)生成整型随机数：

# 生成10个[-5,5)的整数
x = np.random.randint(-5, 5, 10)
# 示例值：[0, 3, -2,...]

三、特殊序列生成

3.1 对数尺度序列

np.logspace(start, stop, num)生成对数等分序列：

# 10^(-5)到10^5生成10个点
x = np.logspace(-5, 5, 10)
# 结果：[1e-05, 1.29e-04,...1e+05]

等价于：

10 ** np.linspace(-5, 5, 10)

四、方法对比与选型指南

方法	输出类型	区间特性	典型应用场景
linspace	等间隔浮点数	start, stop	曲线绘制、插值计算
arange	步长序列	[start, stop)	整数序列生成、简单循环
uniform	均匀分布	[low, high)	随机模拟、参数采样
normal	正态分布	实数域	统计建模、噪声生成
logspace	对数序列	10^start到10^stop	频谱分析、指数级数实验
randint	离散整数	[low, high)	索引生成、随机选择

完整示例代码

from __future__ import annotations

import numpy as np

# 在区间 [start, stop] 内生成 num 个等间隔的点
# [-5.   -3.75 -2.5  -1.25  0.    1.25  2.5   3.75  5.  ]
x1 = np.linspace(-5 , 5 , 9)
print('从[-5, 5]中生成 9 个等间隔的点' , x1)

# 根据固定步长 step 生成区间 [start, stop) 内的值。
# [-5 -4 -3 -2 -1  0  1  2  3  4]
x2 = np.arange(-5 , 5 , 1)
print('根据步长生成取值点' , x2)

# 从均匀分布中采样，生成区间 [low, high) 内的随机数
"""
[-4.56820017 -0.18091668  3.08155666  2.16653036
 -0.8515069   0.96415316  0.11633998 -2.79085614
 -0.60676836  4.38393604]
"""
x3 = np.random.uniform(-5 , 5 , 10)
print('从[-5, 5)内均匀分布采样 10 个值' , x3)

# 生成 [0.0, 1.0) 内的均匀分布随机数
# 如果需要指定范围，则更建议直接使用 uniform
# 如果需要将 rand 进行区间平移，则建议使用 a + (b-a) * rand(m, n) 的方式
"""
生成 3 行 2 列随机数
[[0.29727613 0.37456884]
 [0.52293124 0.1991879 ]
 [0.14484268 0.43416269]]
"""
x4 = np.random.rand(3 , 2)
print('从[0.0, 1.0]中均匀采样 N * M 矩阵的随机数' , x4)

# 生成均值为5，标准差为2的正态分布
"""
[0.7802702   5.07719875  4.88372568  4.10761569
 1.84558326 -2.16768918  2.39629007  4.1577861
 4.58703296  6.02016378]
"""
x5 = np.random.normal(5 , 2 , 10)
print('生成均值为5，标准差为2的正态分布' , x5)

# 在对数尺度下生成等间隔的点，如 [10^start, 10^stop]
"""
[1.00000000e-05 1.29154967e-04 1.66810054e-03 2.15443469e-02
 2.78255940e-01 3.59381366e+00 4.64158883e+01 5.99484250e+02
 7.74263683e+03 1.00000000e+05]
"""
x6 = np.logspace(-5 , 5 , 10)
print('在对数尺度[10^-5, 10^5]范围内生成10个等间隔的点' , x6)

# 生成 [low, high) 区间内的随机整数（左闭右开）
# low：最小值（包含），必须指定。
# high：最大值（不包含），若省略则默认 low 为 0，high 为传入的第一个参数
# size：输出数组的形状（如标量、元组），默认为 None（返回单个整数）
x7 = np.random.randint(-5 , 5 , 10)  # [ 0  3  3  3 -2 -1 -1 -4 -1  1]
print('在[-5, 5]内生成 10 个随机整数' , x7)