Numpy 随机抽样。在不替换的情况下模拟采样，使用random.sample()函数。
Python：按照给定的分布，抽样
代码：np.random.choice(5, 3, p=[0.1, 0, 0.3, 0.6, 0])
输出：array([3, 3, 0])
Generate a uniform random sample from np.arange(5) of size 3 without replacement
简单生成正态分布的代码：x = numpy.round(numpy.random.normal(1，1，10),2)。其中numpy.random.normal的三个参数代表符合X~N（1，1）的正态分布抽样10次。
#生成正态分布
x = numpy.round(numpy.random.normal(1.75, 0.2, 5000),2)
y = numpy.round(numpy.random.normal(100, 10, 5000), 2)
#使成为二维数组
z = numpy.column_stack((x, y))
Numpy 随机抽样。在不替换的情况下模拟采样，使用random.sample()函数
Numpy 的随机抽样功能非常强大，主要由 random 模块完成。
首先，我们需要了解如何使用 numpy 也就是生成一些满足基本需求的随机数据。主要由以下一些方法完成：
random.rand(d0, d1, ..., dn) 方法的作用为：指定一个数组，并使用 [0, 1) 区间随机数据填充，这些数据均匀分布。
random.randn(d0, d1, ..., dn) 与 random.rand(d0, d1, ..., dn) 的区别在于，返回的随机数据符合标准正太分布。
randint(low, high, size, dtype) 方法将会生成 [low, high) 的随机整数。注意这是一个半开半闭区间。
random_integers(low, high, size) 方法将会生成 [low, high] 的 np.int 类型随机整数。注意这是一个闭区间。
random_sample(size) 方法将会在 [0, 1) 区间内生成指定 size 的随机浮点数。
与 random.random_sample 类似的方法还有：
random.random([size])
random.ranf([size])
random.sample([size])
它们 4 个的效果都差不多。
choice(a, size, replace, p) 方法将会给定的 1 维数组里生成随机数。
上面的代码将会在 np.arange(10) 中生成 5 个随机数。
概率密度分布
除了上面介绍的 6 中随机数生成方法，numpy 还提供了大量的满足特定概率密度分布的样本生成方法。它们的使用方法和上面非常相似，这里就不再一一介绍了。列举如下：
random.beta(a，b，size)：从 Beta 分布中生成随机数。
random.binomial(n, p, size)：从二项分布中生成随机数。
random.chisquare(df，size)：从卡方分布中生成随机数。
random.dirichlet(alpha，size)：从 Dirichlet 分布中生成随机数。
random.exponential(scale，size)：从指数分布中生成随机数。
random.f(dfnum，dfden，size)：从 F 分布中生成随机数。
random.gamma(shape，scale，size)：从 Gamma 分布中生成随机数。
random.geometric(p，size)：从几何分布中生成随机数。
random.gumbel(loc，scale，size)：从 Gumbel 分布中生成随机数。
random.hypergeometric(ngood, nbad, nsample, size)：从超几何分布中生成随机数。
random.laplace(loc，scale，size)：从拉普拉斯双指数分布中生成随机数。
random.logistic(loc，scale，size)：从逻辑分布中生成随机数。
random.lognormal(mean，sigma，size)：从对数正态分布中生成随机数。
random.logseries(p，size)：从对数系列分布中生成随机数。
random.multinomial(n，pvals，size)：从多项分布中生成随机数。
random.multivariate_normal(mean, cov, size)：从多变量正态分布绘制随机样本。
random.negative_binomial(n, p, size)：从负二项分布中生成随机数。
random.noncentral_chisquare(df，nonc，size)：从非中心卡方分布中生成随机数。
random.noncentral_f(dfnum, dfden, nonc, size)：从非中心 F 分布中抽取样本。
random.normal(loc，scale，size)：从正态分布绘制随机样本。
random.pareto(a，size)：从具有指定形状的 Pareto II 或 Lomax 分布中生成随机数。
random.poisson(lam，size)：从泊松分布中生成随机数。
random.power(a，size)：从具有正指数 a-1 的功率分布中在 0，1 中生成随机数。
random.rayleigh(scale，size)：从瑞利分布中生成随机数。
random.standard_cauchy(size)：从标准 Cauchy 分布中生成随机数。
random.standard_exponential(size)：从标准指数分布中生成随机数。
random.standard_gamma(shape，size)：从标准 Gamma 分布中生成随机数。
random.standard_normal(size)：从标准正态分布中生成随机数。
random.standard_t(df，size)：从具有 df 自由度的标准学生 t 分布中生成随机数。
random.triangular(left，mode，right，size)：从三角分布中生成随机数。
random.uniform(low，high，size)：从均匀分布中生成随机数。
random.vonmises(mu，kappa，size)：从 von Mises 分布中生成随机数。
random.wald(mean，scale，size)：从 Wald 或反高斯分布中生成随机数。
random.weibull(a，size)：从威布尔分布中生成随机数。
random.zipf(a，size)：从 Zipf 分布中生成随机数。