numpy，sklearn提供随机数据生成功能，我们可以自己生成适合某一种模型的数据，用随机数据来清洗，归一化，转换，然后选择模型与算法做拟合和预测。
1.numpy随机数据生成API
numpy比较适合用来生产一些简单的抽样数据。API都在random类中，常见的API有：
(1).rand(d0, d1, ...,dn)用来生成d0xd1x...dn维的数组。数组的值在[0, 1]之间。
(2).randn(d0, d1, ...,dn)，也是用来生成d0xd1x...dn维的数组。不过数组的值服从N(0, 1)的标准正态分布。
如果需要服从Ν(μ, δ2)的正态分布，只需要在randn上每个生成的值x上做变换δx+μ即可。
(3).randint(low[, high, size])，生成随机的大小为size的数据，size可以为整数，为矩阵维数，或者张量的维数。值位于半开区间[low, high)。
例如：np.random.randint(3, size=[2,3,4])返回维数维2x3x4的数据。取值范围为最大值为3的整数。
例如： np.random.randint(3, 6, size=[2,3]) 返回维数为2x3的数据。取值范围为[3,6)。
(4).random_integers(low[, high, size]),和上面的randint类似，区别在与取值范围是闭区间[low, high]。
(5).random_sample([size]), 返回随机的浮点数，在半开区间 [0.0, 1.0)。如果是其他区间[a,b),可以加以转换(b - a) * random_sample([size]) + a
例如：(5-2)*np.random.random_sample(3)+2 返回[2,5)之间的3个随机数。
2.sklearn随机数据生成API介绍
sklearn生成随机数据的API都在datasets类之中，和numpy比起来，可以生成适合特定机器学习模型的数据。常用的API有：
(1). 用make_regression生成回归模型的数据
(2). 用make_hastie_10_2，make_classification或者make_multilabel_classification生成分类模型数据
(3). 用make_blobs生成聚类模型数据
(4). 用make_gaussian_quantiles生成分组多为正态分布的数据
