溫馨提示×
您好，登錄后才能下訂單哦！
點(diǎn)擊 登錄注冊(cè) 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
這期內(nèi)容當(dāng)中小編將會(huì)給大家?guī)?lái)有關(guān)為什么會(huì)用不好Numpy的random函數(shù)，文章內(nèi)容豐富且以專(zhuān)業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。
在python數(shù)據(jù)分析的學(xué)習(xí)和應(yīng)用過(guò)程中，經(jīng)常需要用到numpy的隨機(jī)函數(shù)，由于隨機(jī)函數(shù)random的功能比較多，經(jīng)常會(huì)混淆或記不住，下面我們一起來(lái)匯總學(xué)習(xí)下。
1. import numpy as np
1 numpy.random.rand()
numpy.random.rand(d0,d1,...,dn)
rand函數(shù)根據(jù)給定維度生成[0,1)之間的數(shù)據(jù)，包含0，不包含1
dn表格每個(gè)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函數(shù)返回一個(gè)或一組樣本，具有標(biāo)準(zhǔn)正態(tài)分布。
dn表格每個(gè)維度
返回值為指定維度的array
1. np.random.randn() # 當(dāng)沒(méi)有參數(shù)時(shí)，返回單個(gè)數(shù)據(jù)
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(biāo)準(zhǔn)正態(tài)分布介紹
標(biāo)準(zhǔn)正態(tài)分布---standard normal distribution
標(biāo)準(zhǔn)正態(tài)分布又稱為u分布，是以0為均值、以1為標(biāo)準(zhǔn)差的正態(tài)分布，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(jī)整數(shù)，范圍區(qū)間為[low,high），包含low，不包含high
參數(shù)：low為最小值，high為最大值，size為數(shù)組維度大小，dtype為數(shù)據(jù)類(lèi)型，默認(rèn)的數(shù)據(jù)類(lèi)型是np.int
high沒(méi)有填寫(xiě)時(shí)，默認(rèn)生成隨機(jī)數(shù)的范圍是[0，low)
1. np.random.randint(1,size=5) # 返回[0,1)之間的整數(shù)，所以只有0
1. array([0, 0, 0, 0, 0])
1. np.random.randint(1,5) # 返回1個(gè)[1,5)時(shí)間的隨機(jī)整數(shù)
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(jī)整數(shù)，范圍區(qū)間為[low,high]，包含low和high
參數(shù)：low為最小值，high為最大值，size為數(shù)組維度大小
high沒(méi)有填寫(xiě)時(shí)，默認(rèn)生成隨機(jī)數(shù)的范圍是[1，low]
該函數(shù)在最新的numpy版本中已被替代，建議使用randint函數(shù)
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(diǎn)數(shù)
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)
從給定的一維數(shù)組中生成隨機(jī)數(shù)
參數(shù)： a為一維數(shù)組類(lèi)似數(shù)據(jù)或整數(shù)；size為數(shù)組維度；p為數(shù)組中的數(shù)據(jù)出現(xiàn)的概率
a為整數(shù)時(shí)，對(duì)應(yīng)的一維數(shù)組為np.arange(a)
1. np.random.choice(5,3)
1. array([4, 1, 4])
1. np.random.choice(5, 3, replace=False)
2. # 當(dāng)replace為False時(shí)，生成的隨機(jī)數(shù)不能有重復(fù)的數(shù)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')
參數(shù)p的長(zhǎng)度與參數(shù)a的長(zhǎng)度需要一致；
參數(shù)p為概率，p里的數(shù)據(jù)之和應(yīng)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(jī)數(shù)據(jù)可預(yù)測(cè)。
當(dāng)我們?cè)O(shè)置相同的seed，每次生成的隨機(jī)數(shù)相同。如果不設(shè)置seed，則每次會(huì)生成不同的隨機(jī)數(shù)
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 ])
上述就是小編為大家分享的為什么會(huì)用不好Numpy的random函數(shù)了，如果剛好有類(lèi)似的疑惑，不妨參照上述分析進(jìn)行理解。如果想知道更多相關(guān)知識(shí)，歡迎關(guān)注億速云行業(yè)資訊頻道。
免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱：is@yisu.com進(jìn)行舉報(bào)，并提供相關(guān)證據(jù)，一經(jīng)查實(shí)，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號(hào)
手機(jī)網(wǎng)站二維碼
