Data Science Academy · Aula

Números aleatórios e sementes

Crie dados sintéticos reproduzíveis com NumPy.

Números aleatórios e sementes é uma aula grátis de Data Science Academy no CoddyKit. Esta é a aula 4 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Data Science Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Data Science Academy inclui 4 aulas no total.

Partes desta aula ainda não foram traduzidas e aparecem em inglês.

Why Generate Random Data

Real datasets are not always handy. Random numbers let you build test data, simulate scenarios, and shuffle samples on demand.

The Modern Generator

Start by creating a generator with default_rng. This is the current, recommended way to make random numbers in NumPy.

rng = np.random.default_rng()

Uniform Floats

Call random on the generator for floats between 0 and 1. Pass a size to get a whole array at once.

rng.random(3)   # 3 floats in [0, 1)

Random Integers

Use integers to draw whole numbers in a range. The low bound is included and the high bound is excluded.

rng.integers(1, 7, size=5)   # like dice rolls

Draw From a Normal Curve

The normal method samples a bell curve. Give it a mean and a standard deviation to shape the spread of values.

rng.normal(0, 1, size=4)

The Problem With Randomness

Run random code twice and you get different numbers. That breaks reproducibility when a teammate cannot recreate your results.

Seeds Fix the Sequence

A seed sets the generator to a known start. Same seed means the exact same numbers, every single run.

rng = np.random.default_rng(42)

Same Seed, Same Output

Two generators built with seed 42 produce identical arrays. That is how notebooks stay reproducible across machines.

a = np.random.default_rng(42).random(3)
b = np.random.default_rng(42).random(3)   # a == b

Shuffle and Sample

Generators also shuffle arrays and pick random samples with choice, perfect for splitting data or drawing test cases.

rng.choice([10, 20, 30], size=2)

Why It Matters for Science

Seeding makes experiments repeatable. Reviewers can rerun your code and confirm they see the very same outcome you reported.

Prefer the New API

You may still see the older np.random.seed style. New code should prefer the default_rng generator for cleaner, safer randomness.

Quick Check

A colleague reruns your notebook and gets different random results.

Randomness Recap

You generated floats, ints, and normal samples, then locked them with a seed so your results are reproducible anywhere. 🎲

Perguntas Frequentes

A aula “Números aleatórios e sementes” é grátis?

Sim — o texto completo de “Números aleatórios e sementes” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Data Science Academy, atualize para CoddyKit PRO. O curso de Data Science Academy inclui 4 aulas no total.

O que vou aprender em “Números aleatórios e sementes”?

Crie dados sintéticos reproduzíveis com NumPy. Você pratica Data Science Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.

Preciso ter experiência prévia para começar Data Science Academy?

Nenhuma experiência prévia é necessária. Data Science Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 4 de 4.

Quanto tempo leva a aula “Números aleatórios e sementes”?

A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.

Posso escrever e executar código nesta aula de Data Science Academy?

Sim. Cada aula de Data Science Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.

Todas as aulas deste curso

← Voltar para Data Science Academy