为什么会用不好Numpy的random函数

这期内容当中小编将会给大家带来有关为什么会用不好Numpy的random函数,文章内容丰富且以专业的角度为大家分析和叙述,阅读完这篇文章希望大家可以有所收获。

创新互联建站主要从事网站建设、成都网站制作、网页设计、企业做网站、公司建网站等业务。立足成都服务九原,十余年网站建设经验,价格优惠、服务专业,欢迎来电咨询建站服务:028-86922220

在python数据分析的学习和应用过程中,经常需要用到numpy的随机函数,由于随机函数random的功能比较多,经常会混淆或记不住,下面我们一起来汇总学习下。

1.        import numpyas np

1 numpy.random.rand()

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

  • rand函数根据给定维度生成[0,1)之间的数据,包含0,不包含1

  • dn表格每个维度

  • 返回值为指定维度的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函数返回一个或一组样本,具有标准正态分布。

  • dn表格每个维度

  • 返回值为指定维度的array

1.        np.random.randn()#当没有参数时,返回单个数据

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]]])

标准正态分布介绍

  • 标准正态分布---standard normal distribution

  • 标准正态分布又称为u分布,是以0为均值、以1为标准差的正态分布,记为N(0,1)。

3 numpy.random.randint()

3.1 numpy.random.randint()

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

  • 返回随机整数,范围区间为[low,high),包含low,不包含high

  • 参数:low为最小值,high为最大值,size为数组维度大小,dtype为数据类型,默认的数据类型是np.int

  • high没有填写时,默认生成随机数的范围是[0,low)

1.        np.random.randint(1,size=5)#返回[0,1)之间的整数,所以只有0

1.        array([0,0,0,0,0])

1.        np.random.randint(1,5)#返回1个[1,5)时间的随机整数

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)

  • 返回随机整数,范围区间为[low,high],包含low和high

  • 参数:low为最小值,high为最大值,size为数组维度大小

  • high没有填写时,默认生成随机数的范围是[1,low]

该函数在最新的numpy版本中已被替代,建议使用randint函数

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

1.        array([1,1,1,1,1])

4生成[0,1)之间的浮点数

  • 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)

  • 从给定的一维数组中生成随机数

  • 参数: a为一维数组类似数据或整数;size为数组维度;p为数组中的数据出现的概率

  • a为整数时,对应的一维数组为np.arange(a)

1.        np.random.choice(5,3)

1.        array([4,1,4])

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

2.        #当replace为False时,生成的随机数不能有重复的数值

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='

  • 参数p的长度与参数a的长度需要一致;

  • 参数p为概率,p里的数据之和应为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='

6 numpy.random.seed()

  • np.random.seed()的作用:使得随机数据可预测。

  • 当我们设置相同的seed,每次生成的随机数相同。如果不设置seed,则每次会生成不同的随机数

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 ])    

上述就是小编为大家分享的为什么会用不好Numpy的random函数了,如果刚好有类似的疑惑,不妨参照上述分析进行理解。如果想知道更多相关知识,欢迎关注创新互联行业资讯频道。


网站题目:为什么会用不好Numpy的random函数
网址分享:http://myzitong.com/article/pdghjj.html