random.rand函数
numpy.random.rand 是 NumPy 库中的一个函数，用于从均匀分布中生成随机浮点数。这些浮点数位于半开区间 [0.0, 1.0)，也就是说它们包括 0.0 但不包括 1.0。
1函数示例
numpy.random.rand(d0, d1, ..., dn)
参数
d0, d1, ..., dn：整数，表示输出的随机数组的维度。如果没有提供任何参数，则返回一个标量（单个随机浮点数）。
返回值
- 返回一个形状为
(d0, d1, ..., dn)的数组，其中包含了从均匀分布[0.0, 1.0)中随机抽取的浮点数。
2示例
示例 1：生成单个随机浮点数
import numpy as np # 生成一个位于 [0.0, 1.0) 之间的随机浮点数
random_float = np.random.rand()
print(random_float)输出结果： 生成一个位于 [0.0, 1.0) 之间的随机浮点数
0.7292651888729444
示例 2：生成一个随机浮点数数组
import numpy as np # 生成一个形状为 (3,) 的数组，包含随机浮点数
random_floats = np.random.rand(3)
print(random_floats)输出结果类似于：
[0.22655261 0.14549794 0.81959531]
示例 3：生成一个二维随机浮点数数组
import numpy as np # 生成一个形状为 (2, 3) 的二维数组，包含随机浮点数
random_matrix = np.random.rand(2, 3)
print(random_matrix)输出结果类似于：
[[0.69793487 0.92080438 0.79024895]
[0.21149495 0.55471829 0.96925194]]
示例 4：生成一个多维随机浮点数数组
import numpy as np # 生成一个形状为 (2, 2, 2) 的三维数组，包含随机浮点数
random_tensor = np.random.rand(2, 2, 2)
print(random_tensor)输出结果为：
[[[0.1002439 0.65823964]
[0.83135404 0.64682726]]
[[0.23616227 0.45717437]
[0.23748224 0.80672744]]]
3注意事项
numpy.random.rand函数生成的随机数是从均匀分布中抽取的，也就是说，每个数在[0.0, 1.0)区间内被抽取的概率是相同的。- 生成的随机数实际上是伪随机数，这意味着它们是通过一个确定的算法生成的，并且在每次运行程序时，如果随机数生成器的种子（seed）相同，则生成的随机数序列也会相同。如果需要每次运行程序时都生成不同的随机数序列，可以在程序开始时设置随机数生成器的种子，如
np.random.seed(some_integer)。
通过 numpy.random.rand 函数，你可以方便地生成任意形状的随机浮点数数组，这在需要进行模拟、测试算法或创建随机数据集时非常有用。
random.standard_normal函数
numpy.random.standard_normal 是 NumPy 库中的一个函数，用于从标准正态分布（也称为单位正态分布）中生成随机浮点数。标准正态分布是一种概率分布，其均值为 0，标准差为 1。
1函数示例
numpy.random.standard_normal(size=None)
参数
size：整数或整数元组，可选参数。输出数组的形状。如果未提供，则返回一个标量（单个随机浮点数）。
返回值
- 返回一个形状为
size的数组，数组中的元素是从标准正态分布中随机抽取的浮点数。
2示例
示例 1：生成单个标准正态分布的随机数
import numpy as np # 生成一个标准正态分布的随机数
random_normal = np.random.standard_normal()
print(random_normal)结果输出：
-0.45627660030943773
示例 2：生成一个标准正态分布的随机数组
import numpy as np # 生成一个形状为 (3,) 的数组，包含标准正态分布的随机数
random_normals = np.random.standard_normal(3)
print(random_normals)结果输出：
[-1.33435244 -0.1071087 -1.13890303]
示例 3：生成一个二维标准正态分布的随机数组
import numpy as np # 生成一个形状为 (2, 3) 的二维数组，包含标准正态分布的随机数
random_normal_matrix = np.random.standard_normal((2, 3))
print(random_normal_matrix)结果输出：
[[-0.27204649 0.89816457 0.61386239][-0.39830262 -0.44730264 0.89667475]]
示例 4：设置随机数生成器的种子以获得可重复的结果
import numpy as np # 设置随机数生成器的种子
np.random.seed(0) # 生成一个形状为 (3,) 的数组，包含标准正态分布的随机数
# 由于设置了种子，每次运行这段代码时都会得到相同的随机数序列
reproducible_normals = np.random.standard_normal(3)
print(reproducible_normals)结果输出： [1.76405235 0.40015721 0.97873798]
3注意事项
numpy.random.standard_normal生成的是标准正态分布的随机数，其均值（mean）为 0，标准差（standard deviation）为 1。- 和
numpy.random.rand一样，numpy.random.standard_normal生成的随机数也是伪随机数。如果需要可重复的随机数序列，可以通过设置随机数生成器的种子来实现。 - 标准正态分布在实际应用中非常广泛，例如在统计学、机器学习、信号处理等领域中经常需要用到。通过
numpy.random.standard_normal函数，你可以方便地生成符合标准正态分布的随机数据。
random.normal 函数
numpy.random.normal 是 NumPy 库中的一个函数，用于从正态分布（也称为高斯分布）中抽取随机样本。正态分布是一个连续概率分布，其中大多数值聚集在均值附近，远离均值的值越来越少。
1函数示例
numpy.random.normal(loc=0.0, scale=1.0, size=None)
参数
loc：分布的均值（或“中心”）的浮点值。默认值为 0.0。scale：分布的标准差（或“宽度”或“分散度”）的浮点值。默认值为 1.0。size：输出的形状。如果为 None（默认），则返回一个值。如果为整数，则返回一个形状为(size,)的一维数组。如果为形状元组，则返回一个形状为size的数组。
返回值
返回一个或多个从正态分布中抽取的随机样本。
2举例说明
1.抽取一个随机样本
import numpy as np # 从均值为0，标准差为1的正态分布中抽取一个随机样本
sample = np.random.normal()
print(sample)输出结果：
2.240893199201458
2.抽取多个随机样本
import numpy as np # 从均值为0，标准差为1的正态分布中抽取5个随机样本
samples = np.random.normal(size=5)
print(samples)输出结果：
[ 1.86755799 -0.97727788 0.95008842 -0.15135721 -0.10321885]
3.抽取具有指定均值和标准差的随机样本
import numpy as np # 从均值为3，标准差为2的正态分布中抽取3个随机样本
samples = np.random.normal(loc=3, scale=2, size=3)
print(samples)输出结果：
[3.821197 3.28808714 5.90854701]
4.抽取二维数组的随机样本
import numpy as np # 从均值为0，标准差为1的正态分布中抽取一个2x3的随机样本数组
samples = np.random.normal(size=(2, 3))
print(samples)输出结果：
[[ 0.76103773 0.12167502 0.44386323][ 0.33367433 1.49407907 -0.20515826]]
这些例子展示了如何使用 numpy.random.normal 函数来从正态分布中抽取随机样本，并可以通过调整 loc 和 scale 参数来改变分布的均值和标准差。size 参数用于指定输出的形状。
random.uniform函数
numpy.random.uniform 是 NumPy 库中的一个函数，用于从均匀分布中抽取随机样本。均匀分布是一个概率分布，其中所有可能的结果都有相同的概率被选中。
1函数示例
numpy.random.uniform(low=0.0, high=1.0, size=None)
参数
low：分布的下界。所有生成的随机数都将大于或等于这个值。默认值为 0.0。high：分布的上界（不包含）。所有生成的随机数都将小于这个值。默认值为 1.0。size：输出的形状。如果为 None（默认），则返回一个值。如果为整数，则返回一个形状为(size,)的一维数组。如果为形状元组，则返回一个形状为size的数组。
返回值
返回一个或多个从均匀分布中抽取的随机样本。
2举例说明
1.抽取一个随机样本
import numpy as np # 从0到1之间的均匀分布中抽取一个随机样本
sample = np.random.uniform()
print(sample)结果输出：
0.11827442586893322
2.抽取多个随机样本
import numpy as np # 从0到1之间的均匀分布中抽取5个随机样本
samples = np.random.uniform(size=5)
print(samples)输出结果：
[0.63992102 0.14335329 0.94466892 0.52184832 0.41466194]
3.指定分布的范围
import numpy as np # 从2到8之间的均匀分布中抽取3个随机样本
samples = np.random.uniform(low=2, high=8, size=3)
print(samples)输出结果：
[3.58733367 6.64540214 4.73690199]
4.抽取二维数组的随机样本
import numpy as np # 从0到1之间的均匀分布中抽取一个2x3的随机样本数组
samples = np.random.uniform(size=(2, 3))
print(samples)输出结果：
[[0.56843395 0.0187898 0.6176355 ][0.61209572 0.616934 0.94374808]]
这些例子展示了如何使用 numpy.random.uniform 函数来从均匀分布中抽取随机样本。你可以通过调整 low 和 high 参数来改变分布的范围，并使用 size 参数来指定输出的形状。这个函数在需要生成一定范围内随机数的场合非常有用，例如模拟、统计测试等。
Redis实战(六)基于Redis队列实现异步秒杀下单)
