為什麼你用不好Numpy的random函式？

https://mp.weixin.qq.com/s?__biz=MzI2NjY5NzI0NA==&mid=2247483733&idx=1&sn=1ac9e23f63499710a520667843fbc5ea&chksm=ea8b6e26ddfce7307088de78c9e53f2b0562321299ac54725b5897a8d73cce0757d97fc58d15&scene=21

在python資料分析的學習和應用過程中，經常需要用到numpy的隨機函式，由於隨機函式random的功能比較多，經常會混淆或記不住，下面我們一起來彙總學習下。

1. import numpy as np

1 numpy.random.rand()

numpy.random.rand(d0,d1,...,dn)

rand函式根據給定維度生成[0,1)之間的資料，包含0，不包含1

dn表格每個維度

返回值為指定維度的array

1. np.random.rand(4,2)

1. array([[ 0.02173903, 0.44376568],

2. [ 0.25309942, 0.85259262],

3. [ 0.56465709, 0.95135013],

4. [ 0.14145746, 0.55389458]])

1. np.random.rand(4,3,2) # shape: 4*3*2

1. array([[[ 0.08256277, 0.11408276],

2. [ 0.11182496, 0.51452019],

3. [ 0.09731856, 0.18279204]],

4.

5. [[ 0.74637005, 0.76065562],

6. [ 0.32060311, 0.69410458],

7. [ 0.28890543, 0.68532579]],

8.

9. [[ 0.72110169, 0.52517524],

10. [ 0.32876607, 0.66632414],

11. [ 0.45762399, 0.49176764]],

12.

13. [[ 0.73886671, 0.81877121],

14. [ 0.03984658, 0.99454548],

15. [ 0.18205926, 0.99637823]]])

2 numpy.random.randn()

numpy.random.randn(d0,d1,...,dn)

randn函式返回一個或一組樣本，具有標準正態分佈。

dn表格每個維度

返回值為指定維度的array

1. np.random.randn() # 當沒有引數時，返回單個資料

1. -1.1241580894939212

1. np.random.randn(2,4)

1. array([[ 0.27795239, -2.57882503, 0.3817649 , 1.42367345],

2. [-1.16724625, -0.22408299, 0.63006614, -0.41714538]])

1. np.random.randn(4,3,2)

1. array([[[ 1.27820764, 0.92479163],

2. [-0.15151257, 1.3428253 ],

3. [-1.30948998, 0.15493686]],

4.

5. [[-1.49645411, -0.27724089],

6. [ 0.71590275, 0.81377671],

7. [-0.71833341, 1.61637676]],

8.

9. [[ 0.52486563, -1.7345101 ],

10. [ 1.24456943, -0.10902915],

11. [ 1.27292735, -0.00926068]],

12.

13. [[ 0.88303 , 0.46116413],

14. [ 0.13305507, 2.44968809],

15. [-0.73132153, -0.88586716]]])

標準正態分佈介紹

標準正態分佈---standard normal distribution

標準正態分佈又稱為u分佈，是以0為均值、以1為標準差的正態分佈，記為N（0，1）。

3 numpy.random.randint()

3.1 numpy.random.randint()

numpy.random.randint(low, high=None, size=None, dtype='l')

返回隨機整數，範圍區間為[low,high），包含low，不包含high

引數：low為最小值，high為最大值，size為陣列維度大小，dtype為資料型別，預設的資料型別是np.int

high沒有填寫時，預設生成隨機數的範圍是[0，low)

1. np.random.randint(1,size=5) # 返回[0,1)之間的整數，所以只有0

1. array([0, 0, 0, 0, 0])

1. np.random.randint(1,5) # 返回1個[1,5)時間的隨機整數

1. 4

1. np.random.randint(-5,5,size=(2,2))

1. array([[ 2, -1],

2. [ 2, 0]])

3.2 numpy.random.random_integers

numpy.random.random_integers(low, high=None, size=None)

返回隨機整數，範圍區間為[low,high]，包含low和high

引數：low為最小值，high為最大值，size為陣列維度大小

high沒有填寫時，預設生成隨機數的範圍是[1，low]

該函式在最新的numpy版本中已被替代，建議使用randint函式

1. np.random.random_integers(1,size=5)

1. array([1, 1, 1, 1, 1])

4 生成[0,1)之間的浮點數

numpy.random.random_sample(size=None)

numpy.random.random(size=None)

numpy.random.ranf(size=None)

numpy.random.sample(size=None)

1. print('-----------random_sample--------------')

2. print(np.random.random_sample(size=(2,2)))

3. print('-----------random--------------')

4. print(np.random.random(size=(2,2)))

5. print('-----------ranf--------------')

6. print(np.random.ranf(size=(2,2)))

7. print('-----------sample--------------')

8. print(np.random.sample(size=(2,2)))

1. -----------random_sample--------------

2. [[ 0.34966859 0.85655008]

3. [ 0.16045328 0.87908218]]

4. -----------random--------------

5. [[ 0.25303772 0.45417512]

6. [ 0.76053763 0.12454433]]

7. -----------ranf--------------

8. [[ 0.0379055 0.51288667]

9. [ 0.71819639 0.97292903]]

10. -----------sample--------------

11. [[ 0.59942807 0.80211491]

12. [ 0.36233939 0.12607092]]

5 numpy.random.choice()

numpy.random.choice(a, size=None, replace=True, p=None)

從給定的一維陣列中生成隨機數

引數： a為一維陣列類似資料或整數；size為陣列維度；p為陣列中的資料出現的機率

a為整數時，對應的一維陣列為np.arange(a)

1. np.random.choice(5,3)

1. array([4, 1, 4])

1. np.random.choice(5, 3, replace=False)

2. # 當replace為False時，生成的隨機數不能有重複的數值

1. array([0, 3, 1])

1. np.random.choice(5,size=(3,2))

1. array([[1, 0],

2. [4, 2],

3. [3, 3]])

1. demo_list = ['lenovo', 'sansumg','moto','xiaomi', 'iphone']

2. np.random.choice(demo_list,size=(3,3))

1. array([['moto', 'iphone', 'xiaomi'],

2. ['lenovo', 'xiaomi', 'xiaomi'],

3. ['xiaomi', 'lenovo', 'iphone']],

4. dtype='<U7')

引數p的長度與引數a的長度需要一致；

引數p為機率，p裡的資料之和應為1

1. demo_list = ['lenovo', 'sansumg','moto','xiaomi', 'iphone']

2. np.random.choice(demo_list,size=(3,3), p=[0.1,0.6,0.1,0.1,0.1])

1. array([['sansumg', 'sansumg', 'sansumg'],

2. ['sansumg', 'sansumg', 'sansumg'],

3. ['sansumg', 'xiaomi', 'iphone']],

4. dtype='<U7')

6 numpy.random.seed()

np.random.seed()的作用：使得隨機資料可預測。

當我們設定相同的seed，每次生成的隨機數相同。如果不設定seed，則每次會生成不同的隨機數

1. np.random.seed(0)

2. np.random.rand(5)

1. array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ])

1. np.random.seed(1676)

2. np.random.rand(5)

1. array([ 0.39983389, 0.29426895, 0.89541728, 0.71807369, 0.3531823 ])

1. np.random.seed(1676)

2. np.random.rand(5)

1. array([ 0.39983389, 0.29426895, 0.89541728, 0.71807369, 0.3531823 ])

為什麼你用不好Numpy的random函式？

相關文章