在数据分析中，数据的获取是第一步，numpy.random 模块提供了非常全的自动产生数据API，是学习数据分析的第一步。
总体来说，numpy.random模块分为四个部分，对应四种功能：
1. 简单随机数： 产生简单的随机数据，可以是任何维度
2. 排列：将所给对象随机排列
3. 分布：产生指定分布的数据，如高斯分布等
4. 生成器：种随机数种子，根据同一种子产生的随机数是相同的
以下是详细内容以及代码实例：（以下代码默认已导入numpy：import numpy as np ）
1. 生成器
电脑产生随机数需要明白以下几点：
（1）随机数是由随机种子根据一定的计算方法计算出来的数值。所以，只要计算方法一定，随机种子一定，那么产生的随机数就不会变。
（2）只要用户不设置随机种子，那么在默认情况下随机种子来自系统时钟（即定时/计数器的值）
（3）随机数产生的算法与系统有关，Windows和Linux是不同的，也就是说，即便是随机种子一样，不同系统产生的随机数也不一样。
numpy.random 设置种子的方法有：
np.random.RandomState(42)
2、简单随机数
例：
rng = np.random.RandomState(42) # 生成随机数时可指定一种子，目的是为了生成相同的随机数，实现代码的复现。
X = rng.randn(100, 2)
参考自：
具体解读：
1、np.random.rand()
给定一个形状创建数组，并在数组中加入[0,1]之间均匀分布的随机样本。
numpy.random.rand(d0, d1, ..., dn)，产生d0 - d1 - ... - dn形状的在[0,1)上均匀分布的float型数。
2、np.random.randn()
以给定的形状创建一个数组，数组元素符合标准正态分布N(0,1)。
若要获得一般正态分布N(u,sigma2),可用 sigma*np.random.randn+u
numpy.random.randn（d0,d1,...,dn),产生d0 - d1 - ... - dn形状的标准正态分布的float型数。
3.numpy.random.randint()
用法是：numpy.random.randint(low,high=None,size=None,dtype)
生成在半开半闭区间[low,high)上离散均匀分布的整数值;若high=None，则取值区间变为[0,low)
numpy.random.randint(low, high=None, size=None, dtype='l')，产生随机整数
4.numpy.random.random_integers()
用法是： numpy.random.random_integers(low,high=None,size=None)
生成闭区间[low,high]上离散均匀分布的整数值;若high=None，则取值区间变为[1,low]
此外，若要将【a,b】区间分成N等分，也可以用此函数实现
numpy.random.random_integers(low, high=None, size=None)，在闭区间上产生随机整数；
a+(b-a)*(numpy.random.random_integers(N)-1)/(N-1)
5.numpy.random_sample()
用法是： numpy.random.random_sample(size=None)
以给定形状返回[0,1)之间的随机浮点数
6.numpy.random.choice()
用法是： numpy.random.choice(a,size=None,replace=True,p=None)
若a为数组，则从a中选取元素；若a为单个int类型数，则选取range(a)中的数
replace是bool类型，为True，则选取的元素会出现重复；反之不会出现重复
p为数组，里面存放选到每个数的可能性，即概率
7、函数原型： numpy.random.uniform(low,high,size)
功能：从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high.
参数介绍:
low: 采样下界，float类型，默认值为0；
high: 采样上界，float类型，默认值为1；
size: 输出样本数目，为int或元组(tuple)类型，例如，size=(m,n,k), 则输出m*n*k个样本，缺省时输出1个值。
返回值：ndarray类型，其形状和参数size中描述一致。
