对于【numpy】新版本中numpy感兴趣的读者，本文将会是一篇不错的选择，我们将详细介绍numpy>1.17.0中的random模块，并为您提供关于"importnumpyasnp"ImportEr

对于【numpy】新版本中numpy感兴趣的读者，本文将会是一篇不错的选择，我们将详细介绍numpy>1.17.0中的random模块，并为您提供关于"import numpy as np" ImportError: No module named numpy、3.7Python 数据处理篇之 Numpy 系列 (七)---Numpy 的统计函数、Anaconda Numpy 错误“Importing the Numpy C Extension Failed”是否有另一种解决方案、cvxpy 和 numpy 之间的版本冲突：“针对 API 版本 0xe 编译的模块，但此版本的 numpy 是 0xd”的有用信息。

• 【numpy】新版本中numpy（numpy>1.17.0）中的random模块（numpy.random.randomstate）
• "import numpy as np" ImportError: No module named numpy
• 3.7Python 数据处理篇之 Numpy 系列 (七)---Numpy 的统计函数
• Anaconda Numpy 错误“Importing the Numpy C Extension Failed”是否有另一种解决方案
• cvxpy 和 numpy 之间的版本冲突：“针对 API 版本 0xe 编译的模块，但此版本的 numpy 是 0xd”

【numpy】新版本中numpy（numpy>1.17.0）中的random模块（numpy.random.randomstate）

numpy是Python中经常要使用的一个库，而其中的random模块经常用来生成一些数组，本文接下来将介绍numpy中random模块的一些使用方法。

首先查看numpy的版本：

import numpy 
numpy.__version__

''1.18.2''

numpy获得随机数有两种方式：

• 结合BitGenerator生成伪随机数
• 结合Generate从一些统计分布中采样生成伪随机数

BitGenerator：生成随机数的对象。包含32或64位序列的无符号整数

Generator：将从BitGenerator生成的随机数序列转换为遵从特定概率分布（均匀、正态或二项式等）的数字序列的对象。

从Numpy版本1.17.0开始，可以使用许多不同的BitGenerators初始化Generator。 它包含了许多不同的概率分布。 传统的RandomState随机数例程仍然可用，但仅限于单个BitGenerator。为了方便和向后兼容，单个RandomState实例的方法被导入到numpy.random命名空间。

默认情况下，Generator使用PCG64提供的位，该位具有比RandomState中的传统mt19937随机数生成器更好的统计属性。

使用旧的numpy.random.RandomState

from numpy import random
random.standard_normal()

结果：1.3768264062478266

Generator可以替代RandomState。 现在，两个类实例都拥有一个内部BitGenerator实例来提供位流，可以通过gen.bit_generator对其进行访问。 某些过期的API清除意味着已从Generator中删除了旧方法和兼容性方法。

# As replacement for RandomState(); default_rng() instantiates Generator with
# the default PCG64 BitGenerator.
from numpy.random import default_rng
rg = default_rng()
rg.standard_normal()
rg.bit_generator

<numpy.random._pcg64.PCG64 at 0x7f6f87dac270>

以下这种方式可以支持RandomState和Generator，但是它们的接口有很大的不同：

try:
  rg_integers = rg.integers
except AttributeError:
  rg_integers = rg.randint
a = rg_integers(1000)

结果：775

种子可以传递给任何BitGenerator。 提供的值通过SeedSequence进行混合，以将可能的种子序列分布在BitGenerator的更广泛的初始化状态中。 这里使用PCG64，并用Generator包裹。

from numpy.random import Generator, PCG64
rg = Generator(PCG64(12345))
rg.standard_normal()

结果：-1.4238250364546312

新的基础结构采用了不同的方法来从RandomState对象生成随机数。 随机数生成分为两个部分，即位生成器和随机生成器。 BitGenerator的职责有限。 它管理状态并提供产生随机双精度数和随机无符号32位和64位值的功能。随机生成器采用生成器提供的流并将其转换成更有用的分布，例如模拟的正常随机值。 这种结构允许使用很少的代码重复来使用替代位生成器。 Generator是面向用户的对象，几乎与RandomState相同。 初始化生成器的规范方法将PCG64位生成器作为唯一参数。

from numpy.random import default_rng
rg = default_rng(12345)
rg.random()

结果：0.22733602246716966

也可以直接使用BitGenerator实例实例化Generator。 要使用较旧的MT19937算法，可以直接实例化并将其传递给Generator

from numpy.random import Generator, MT19937
rg = Generator(MT19937(12345))
rg.random()

结果：0.37786929937474845

警告：生成器不再提供用于生成NumPy标准的Box-Muller方法。 使用Generator不能为正态分布或任何其他依赖于正态的分布（例如RandomState.gamma RandomState.standard_t）确切的随机值。 如果需要按位向后兼容流，请使用RandomState。

• Generator的常规，指数和伽马函数使用256步Ziggurat方法，比NumPy的Box-Muller或逆CDF实现快2-10倍。
• 可选的dtype参数，它接受np.float32或np.float64来为选择分布产生统一的单或双精度的随机变量
• 可选的out参数，允许为选择分布填充现有阵列
• random_entropy提供对密码应用程序中使用的系统随机性源的访问（例如Unix上的/ dev / urandom）。
• 所有BitGenerator都可以通过CType（ctype）和CFFI（cffi）生成double，uint64和uint32。这允许在numba中使用位生成器。
• 位生成器可通过Cython用于下游项目。
• 整数现在是从离散均匀分布中生成整数随机数的规范方法。 rand和randn方法仅可通过旧版RandomState使用。端点关键字可用于指定打开或关闭间隔。这将替换randint和已弃用的random_integers。
• random现在是生成浮点随机数的规范方法，它取代了RandomState.random_sample，RandomState.sample和RandomState.ranf。这与Python的随机性是一致的。
• 随机。
• numpy中的所有BitGenerator都使用SeedSequence将种子转换为初始化状态。

Generator可以访问广泛的发行版，并替代RandomState。 两者之间的主要区别在于Generator依赖于附加的BitGenerator来管理状态并生成随机位，然后将这些随机位从有用的分布转换为随机值。 Generator使用的默认BitGenerator为PCG64。 可以通过将实例化的BitGenerator传递给Generator来更改BitGenerator。

也就是说，设置了：

np.random.default_rng(PCG64(随机种子))

在生成随机数的时候都会是相同的。然后替换掉了原来的RandomState(随机种子)

如果省略seed或None，则每次都会实例化一个新的BitGenerator和Generator。 此功能不管理默认的全局实例。

Generator的一些方法：

Generator.integers(low, high=None, size=None, dtype=’int64’, endpoint=False)

例如：

rng = np.random.default_rng(PCG64(12345))
rng.integers(2, size=10)

结果：array([1, 0, 1, 0, 0, 1, 1, 1, 1, 0])

这里的意思是生成10个数，这是个数的取值范围在0-2之间，不包括2.

再看些例子：

rng.integers(5, size=(2, 4))

结果：array([[4, 3, 4, 0], [4, 0, 2, 1]])

rng.integers(1, [3, 5, 10])

结果：array([1, 3, 3])

这里的意思是生成1×3的数组，并且每一位都限制了取值范围。

rng.integers([1, 5, 7], 10)

结果：array([6, 6, 7])

rng.integers([1, 3, 5, 7], [[10], [20]], dtype=np.uint8)

结果：array([[ 1, 4, 8, 9], [ 5, 18, 16, 12]], dtype=uint8)

这里使用了广播机制。

Generator.random(size=None, dtype=’d’, out=None)：

在半开区间[0.0，1.0）中返回随机浮点数。
结果来自指定时间间隔内的“连续均匀”分布。 要对[，）进行采样，>。将random的输出乘以（b-a）并加上a。

(b - a) * random() + a

看一些例子：

rng.random()

0.5110659735695771

type(rng.random())

float

rng.random((5,))

array([0.96743595, 0.68306482, 0.39162483, 0.18725257, 0.34596067])

我们可以稍加变化既可以改变获得区间的值了，例如区间为[-5,0)

5 * rng.random((3, 2)) - 5

array([[-0.54395295, -1.12218029], [-3.409267 , -0.37891552], [-2.64545057, -1.53120579]])

Generator.choice()

choice(a, size=None, replace=True, p=None, axis=0):

Generates a random sample from a given 1-D array

看一些例子：

Generate a uniform random sample from np.arange(5) of size 3:

rng.choice(5, 3)

array([3, 0, 2])

Generate a non-uniform random sample from np.arange(5) of size 3:

rng.choice(5, 3, p=[0.1, 0, 0.3, 0.6, 0])

array([2, 3, 3])

Generate a uniform random sample from np.arange(5) of size 3 without replacement:

rng.choice(5, 3, replace=False)

array([0, 4, 1])

Generate a non-uniform random sample from np.arange(5) of size 3 without replacement:

rng.choice(5, 3, replace=False, p=[0.1, 0, 0.3, 0.6, 0])

array([3, 2, 0])

Any of the above can be repeated with an arbitrary array-like instead of just integers. For instance:

aa_milne_arr = [''pooh'', ''rabbit'', ''piglet'', ''Christopher'']
rng.choice(aa_milne_arr, 5, p=[0.5, 0.1, 0.1, 0.3])

array([''piglet'', ''Christopher'', ''pooh'', ''piglet'', ''pooh''], dtype=''<U11''

Generator.bytes(length)

　　Return random bytes.

　　　　Parameters

　　　　　　length [int] Number of random bytes.

　　　　Returns

　　　　　　out [str] String of length length.

看一些例子：

rng.bytes(10)

b''[\x95\xe8\xc4\xbd\x16\xd8\x85\xa7*''

接下来是另外一些方法：

Generator.shuffle(x) 

看一些例子：

arr = np.arange(10)
arr
rng.shuffle(arr)
arr

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

array([9, 7, 8, 5, 0, 4, 3, 6, 1, 2])

arr = np.arange(9).reshape((3, 3))
arr

rng.shuffle(arr)
arr

array([[0, 1, 2], [3, 4, 5], [6, 7, 8]])

array([[6, 7, 8], [0, 1, 2], [3, 4, 5]])

Generator.permutation(x)

看一些例子：

rng.permutation(10)

array([1, 7, 4, 3, 0, 9, 2, 5, 8, 6])

rng.permutation([1, 4, 9, 12, 15])

array([15, 1, 9, 4, 12])

arr = np.arange(9).reshape((3, 3))
rng.permutation(arr)

array([[0, 1, 2], [6, 7, 8], [3, 4, 5]])

最后是一些统计分布：

 就简单的看一个分布：

n, p = 10, .5 # number of trials, probability of each trial
s = rng.binomial(n, p, 1000)
# result of flipping a coin 10 times, tested 1000 times.

array([7, 8, 9, 4, 5, 6, 3, 5, 4, 7, 2, 7, 2, 7, 5, 4, 4, 7, 4, 6, 7, 4, 5, 5, 7, 4, 4, 6, 3, 4, 6, 6, 5, 7, 4, 7, 4, 7, 6, 6, 5, 6, 4, 6, 3, 6, 8, 8, 4, 7, 5, 5, 5, 5, 5, 8, 6, 3, 6, 5, 9, 4, 6, 5, 4, 3, 7, 2, 4, 5, 4, 5, 4, 6, 5, 6, 8, 3, 5, 3, 4, 5, 6, 4, 6, 6, 5, 7, 5, 8, 8, 5, 8, 6, 5, 5, 6, 8, 7, 8, 5, 1, 3, 5, 3, 5, 3, 4, 4, 7, 5, 3, 6, 7, 6, 1, 7, 4, 6, 6, 6, 3, 4, 3, 6, 3, 5, 6, 6, 5, 3, 7, 4, 5, 1, 4, 7, 6, 6, 5, 3, 4, 8, 3, 6, 4, 6, 3, 3, 5, 4, 6, 9, 3, 4, 4, 5, 4, 5, 4, 5, 7, 7, 4, 4, 5, 5, 2, 6, 6, 5, 3, 6, 3, 3, 5, 5, 8, 4, 4, 4, 7, 6, 1, 3, 8, 5, 5, 3, 4, 2, 7, 7, 5, 6, 3, 4, 5, 6, 5, 3, 7, 4, 6, 7, 3, 5, 5, 9, 6, 5, 6, 5, 3, 4, 6, 6, 5, 4, 3, 6, 4, 6, 7, 6, 5, 2, 6, 8, 4, 7, 5, 6, 6, 4, 5, 3, 3, 4, 6, 5, 7, 6, 7, 6, 5, 3, 5, 5, 3, 3, 8, 6, 4, 2, 4, 5, 8, 2, 6, 8, 8, 5, 6, 6, 2, 4, 7, 3, 3, 5, 7, 4, 5, 8, 7, 2, 6, 3, 8, 6, 7, 5, 3, 4, 3, 6, 7, 5, 7, 4, 5, 5, 5, 2, 3, 3, 6, 5, 9, 6, 4, 3, 6, 6, 3, 5, 8, 7, 3, 5, 7, 5, 2, 4, 4, 4, 8, 6, 9, 6, 8, 5, 7, 5, 6, 4, 7, 5, 7, 4, 5, 5, 7, 6, 4, 5, 7, 7, 6, 4, 7, 5, 6, 6, 6, 2, 4, 6, 6, 7, 6, 6, 7, 7, 4, 7, 8, 3, 5, 5, 5, 7, 1, 3, 6, 4, 5, 3, 8, 5, 3, 7, 5, 4, 3, 2, 7, 3, 4, 5, 3, 6, 6, 6, 4, 4, 6, 8, 5, 7, 3, 6, 4, 4, 2, 7, 3, 4, 4, 5, 6, 3, 3, 4, 7, 6, 7, 5, 1, 5, 4, 3, 4, 6, 5, 6, 6, 5, 5, 6, 6, 6, 4, 4, 6, 6, 6, 4, 2, 6, 3, 6, 2, 3, 3, 3, 6, 2, 4, 5, 5, 6, 5, 3, 3, 6, 4, 3, 4, 3, 6, 4, 5, 5, 5, 7, 5, 3, 6, 4, 4, 6, 4, 4, 5, 6, 6, 5, 1, 1, 3, 9, 5, 5, 6, 5, 3, 6, 4, 4, 2, 6, 6, 4, 2, 4, 3, 4, 6, 5, 5, 5, 5, 5, 5, 3, 7, 4, 7, 7, 5, 6, 5, 6, 8, 1, 7, 4, 4, 6, 4, 5, 3, 2, 5, 3, 7, 2, 3, 7, 4, 5, 2, 6, 5, 6, 6, 6, 5, 5, 6, 4, 6, 3, 7, 5, 3, 4, 4, 3, 5, 5, 5, 5, 4, 6, 5, 1, 6, 2, 5, 5, 7, 7, 4, 5, 3, 5, 4, 5, 5, 7, 5, 7, 5, 4, 8, 4, 2, 4, 6, 5, 6, 6, 7, 3, 7, 4, 5, 7, 4, 5, 4, 3, 5, 3, 2, 5, 4, 6, 5, 4, 4, 7, 6, 5, 3, 5, 3, 3, 5, 3, 3, 5, 6, 4, 7, 3, 5, 4, 6, 5, 5, 3, 4, 4, 6, 7, 7, 7, 6, 7, 6, 2, 3, 3, 6, 6, 3, 4, 3, 7, 6, 6, 5, 5, 5, 3, 5, 5, 6, 3, 7, 6, 6, 4, 5, 6, 4, 6, 5, 6, 5, 6, 8, 6, 1, 3, 5, 5, 5, 5, 5, 3, 6, 5, 7, 7, 8, 6, 3, 5, 5, 4, 2, 6, 6, 4, 1, 6, 6, 3, 4, 4, 6, 7, 6, 4, 4, 5, 6, 4, 4, 5, 6, 6, 5, 2, 4, 5, 4, 8, 4, 7, 4, 6, 6, 9, 6, 7, 7, 4, 5, 3, 4, 7, 4, 4, 4, 6, 3, 5, 3, 7, 3, 5, 8, 6, 5, 6, 5, 3, 6, 7, 4, 5, 7, 4, 4, 4, 3, 7, 6, 6, 6, 7, 5, 8, 1, 4, 4, 5, 6, 7, 8, 7, 5, 5, 5, 1, 5, 6, 3, 4, 3, 3, 4, 5, 3, 6, 6, 9, 6, 2, 3, 7, 3, 4, 5, 6, 5, 2, 4, 8, 4, 6, 4, 2, 4, 5, 7, 4, 7, 3, 4, 5, 8, 4, 4, 2, 4, 6, 6, 5, 7, 2, 6, 5, 5, 4, 3, 3, 3, 5, 8, 3, 7, 6, 4, 3, 4, 8, 5, 9, 4, 3, 5, 3, 5, 5, 8, 6, 1, 2, 1, 5, 5, 5, 7, 4, 5, 7, 6, 4, 3, 3, 8, 3, 2, 6, 5, 5, 6, 4, 4, 4, 3, 6, 5, 5, 5, 6, 6, 6, 4, 3, 5, 4, 5, 7, 3, 4, 4, 5, 5, 4, 7, 5, 3, 6, 6, 5, 6, 6, 4, 7, 6, 3, 4, 2, 6, 3, 5, 5, 3, 9, 7, 9, 4, 4, 3, 9, 6, 3, 1, 6, 4, 4, 6, 6, 5, 7, 5, 5, 5, 5, 4, 6, 6, 3, 5, 5, 5, 5, 6, 5, 5, 7, 3, 6, 3, 2, 7, 3, 3, 6, 4, 5, 5, 5, 6, 5, 6, 4, 3, 6, 8, 7, 3, 5, 6, 5, 6, 8, 6, 7, 4, 5, 7, 4, 5, 6, 4, 6, 6, 5, 4, 4, 5, 4, 6, 6, 3, 6, 6, 6, 6, 6, 3, 4, 6, 6, 4, 5, 3, 6, 6, 2, 6, 4, 4, 5, 7, 4, 6, 9, 6, 6, 6])

参考了numpy==1.17.4的英文文档。 

"import numpy as np" ImportError: No module named numpy

问题：没有安装 numpy

解决方法：

下载文件，安装

numpy-1.8.2-win32-superpack-python2.7

安装运行 import numpy，出现

Traceback (most recent call last):
  File "<pyshell#2>", line 1, in <module>
    import numpy
  File "C:\Python27\lib\site-packages\numpy\__init__.py", line 153, in <module>
    from . import add_newdocs
  File "C:\Python27\lib\site-packages\numpy\add_newdocs.py", line 13, in <module>
    from numpy.lib import add_newdoc
  File "C:\Python27\lib\site-packages\numpy\lib\__init__.py", line 8, in <module>
    from .type_check import *
  File "C:\Python27\lib\site-packages\numpy\lib\type_check.py", line 11, in <module>
    import numpy.core.numeric as _nx
  File "C:\Python27\lib\site-packages\numpy\core\__init__.py", line 6, in <module>
    from . import multiarray
ImportError: DLL load failed: %1 不是有效的 Win32 应用程序。

原因是：python 装的是 64 位的，numpy 装的是 32 位的

重新安装 numpy 为：numpy-1.8.0-win64-py2.7

3.7Python 数据处理篇之 Numpy 系列 (七)---Numpy 的统计函数

目录

[TOC]

前言

具体我们来学 Numpy 的统计函数

（一）函数一览表

调用方式：np.*

（二）统计函数 1

（1）说明

（2）输出

.sum(a)

.mean(a)

.average(a)

.std(a)

.var(a)

（三）统计函数 2

（1）说明

（2）输出

.max(a) .min(a)

.ptp(a)

.median(a)

.argmin(a)

.argmax(a)

.unravel_index(index,shape)

作者：Mark

日期：2019/02/11 周一

Anaconda Numpy 错误“Importing the Numpy C Extension Failed”是否有另一种解决方案

  \Traceback (most recent call last):
File "C:\Conda\envs\gcp\lib\site-packages\numpy\core\__init__.py",line 22,in <module>
from . import multiarray
File "C:\Conda\envs\gcp\lib\site-packages\numpy\core\multiarray.py",line 12,in <module>
from . import overrides
File "C:\Conda\envs\gcp\lib\site-packages\numpy\core\overrides.py",line 7,in <module>
from numpy.core._multiarray_umath import (
ImportError: DLL load Failed while importing _multiarray_umath: The specified module Could not be found.

During handling of the above exception,another exception occurred:

Traceback (most recent call last):
File "c:\API\citi-bike.py",line 4,in <module>
import numpy as np
File "C:\Conda\envs\gcp\lib\site-packages\numpy\__init__.py",line 150,in <module>
from . import core
File "C:\Conda\envs\gcp\lib\site-packages\numpy\core\__init__.py",line 48,in <module>
raise ImportError(msg)
ImportError:

IMPORTANT: PLEASE READ THIS FOR ADVICE ON HOW TO SOLVE THIS ISSUE!

Importing the numpy C-extensions Failed. This error can happen for
many reasons,often due to issues with your setup or how NumPy was
installed.

We have compiled some common reasons and troubleshooting tips at:

https://numpy.org/devdocs/user/troubleshooting-importerror.html

Please note and check the following:

* The Python version is: python3.9 from "C:\Conda\envs\gcp\python.exe"
* The NumPy version is: "1.21.1"

and make sure that they are the versions you expect.
Please carefully study the documentation linked above for further help.

Original error was: DLL load Failed while importing _multiarray_umath: The specified module Could not be found.

RuntimeError: module compiled against API version 0xe but this version of numpy is 0xd
Traceback (most recent call last):
  File "test.py",line 1,in <module>
    import cvxpy
  File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\__init__.py",line 18,in <module>
    from cvxpy.atoms import *
  File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\atoms\__init__.py",line 20,in <module>
    from cvxpy.atoms.geo_mean import geo_mean
  File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\atoms\geo_mean.py",in <module>
    from cvxpy.utilities.power_tools import (fracify,decompose,approx_error,lower_bound,File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\utilities\power_tools.py",in <module>
    from cvxpy.atoms.affine.reshape import reshape
  File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\atoms\affine\reshape.py",in <module>
    from cvxpy.atoms.affine.hstack import hstack
  File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\atoms\affine\hstack.py",in <module>
    from cvxpy.atoms.affine.affine_atom import AffAtom
  File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\atoms\affine\affine_atom.py",line 22,in <module>
    from cvxpy.cvxcore.python import canonInterface
  File "c:\Projekte\algo5\venv\lib\site-packages\cvxpy\cvxcore\python\__init__.py",line 3,in <module>
    import _cvxcore
ImportError: numpy.core.multiarray Failed to import

cvxpy 
numpy~=1.19.2 # tensorflow 2.4.1 requires this version

import cvxpy

if __name__ == ''__main__'':
    pass