1、矩阵:是一个二维数组
import numpy as np
matrixs=np.matrix('1 2;3 4')
#实现矩阵的共轭转置
print(matrixs.H)
#矩阵的转置
print(matrixs.T)
import random
print(random.random())          #随机产生[0,1)之间的浮点值
print(random.randint(1,6))      #随机生成指定范围[a,b]的整数
print(random.randrange(1,3))    #随机生成指定范围[a,b)的整数
print(random.randrange(0,101,2))  ##随机生成指定范围[a,b)的指定步长的数（2--偶数）
print(random.choice("hello"))  #随机生成指定字符串中的元素
print(random.choice([1,2,3,4])) #随机生成指定列表中的元素
print(random.choice(("abc","123","liu")))  #随机生成指定元组中的元素
print(random.sample("hello",3))    #随机生成指定序列中的指定个数的元素
print(random.uniform(1,10))     #随机生成指定区间的浮点数

#洗牌
items = [1,2,3,4,5,6,7,8,9,0]
print("洗牌前:",items)
random.shuffle(items)
print("洗牌后:",items)

######chr(random.randint(65,90))
获取a-z的字母


random.seed(a=None, version=2) # 初始化伪随机数生成器。如果未提供a或者a=None，则使用系统时间为种子。如果a是一个整数，则作为种子。

random.getstate() # 返回一个当前生成器的内部状态的对象

random.setstate(state) # 传入一个先前利用getstate方法获得的状态对象，使得生成器恢复到这个状态。

random.getrandbits(k) # 返回range(0,2**k)之间的一个整数，相当于randrange(0,2**k)

random.randrange(stop) # 返回range(0,stop)之间的一个整数

random.randrange(start, stop[, step]) # 返回range[start,stop)之间的一个整数，可加step，跟range(0,10,2)类似

random.randint(a, b) # 返回range[a,b]之间的一个整数，等价于然的range(a,b+1)

random.choice(seq) # 从非空序列seq中随机选取一个元素。如果seq为空则弹出 IndexError异常。

random.choices(population, weights=None, *, cum_weights=None, k=1) # 3.6版本新增。从population集群中随机抽取K个元素（可重复）。weights是相对权重列表，cum_weights是累计权重，两个参数不能同时存在。

random.shuffle(x[, random]) # 随机打乱序列x内元素的排列顺序。只能针对可变的序列，对于不可变序列，请使用下面的sample()方法。

random.sample(population, k) # 从population样本或集合中随机抽取K个不重复的元素形成新的序列。常用于不重复的随机抽样。返回的是一个新的序列，不会破坏原有序列。要从一个整数区间随机抽取一定数量的整数，请使用sample(range(10000000), k=60)类似的方法，这非常有效和节省空间。如果k大于population的长度，则弹出ValueError异常。

random.random() # 返回一个介于左闭右开[0.0, 1.0)区间的浮点数

random.uniform(a, b) # 返回一个介于a和b之间的浮点数。如果a>b，则是b到a之间的浮点数。这里的a和b都有可能出现在结果中。

random.triangular(low, high, mode) # 返回一个low <= N <=high的三角形分布的随机数。参数mode指明众数出现位置。

random.betavariate(alpha, beta) # β分布。返回的结果在0~1之间

random.expovariate(lambd) # 指数分布

random.gammavariate(alpha, beta) # 伽玛分布

random.gauss(mu, sigma) # 高斯分布

random.lognormvariate(mu, sigma) # 对数正态分布

random.normalvariate(mu, sigma) # 正态分布

random.vonmisesvariate(mu, kappa) # 卡帕分布

random.paretovariate(alpha) # 帕累托分布

random.weibullvariate(alpha, beta) # 威布尔分布





---------------------
作者：wx_411180165
来源：CSDN
原文：https://blog.csdn.net/qq_24726509/article/details/83652299
版权声明：本文为博主原创文章，转载请附上博文链接！

奈斯