原文:
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。
import numpy as np
numpy.random.rand(d0,d1,…,dn)
np.random.rand(4,2)
array([[ 0.02173903, 0.44376568],
[ 0.25309942, 0.85259262],
[ 0.56465709, 0.95135013],
[ 0.14145746, 0.55389458]])
np.random.rand(4,3,2) # shape: 4*3*2
array([[[ 0.08256277, 0.11408276],
[ 0.11182496, 0.51452019],
[ 0.09731856, 0.18279204]],
[[ 0.74637005, 0.76065562],
[ 0.32060311, 0.69410458],
[ 0.28890543, 0.68532579]],
[[ 0.72110169, 0.52517524],
[ 0.32876607, 0.66632414],
[ 0.45762399, 0.49176764]],
[[ 0.73886671, 0.81877121],
[ 0.03984658, 0.99454548],
[ 0.18205926, 0.99637823]]])
numpy.random.randn(d0,d1,…,dn)
np.random.randn() # 當沒有引數時,返回單個資料
-1.1241580894939212
np.random.randn(2,4)
array([[ 0.27795239, -2.57882503, 0.3817649 , 1.42367345],
[-1.16724625, -0.22408299, 0.63006614, -0.41714538]])
np.random.randn(4,3,2)
array([[[ 1.27820764, 0.92479163],
[-0.15151257, 1.3428253 ],
[-1.30948998, 0.15493686]],
[[-1.49645411, -0.27724089],
[ 0.71590275, 0.81377671],
[-0.71833341, 1.61637676]],
[[ 0.52486563, -1.7345101 ],
[ 1.24456943, -0.10902915],
[ 1.27292735, -0.00926068]],
[[ 0.88303 , 0.46116413],
[ 0.13305507, 2.44968809],
[-0.73132153, -0.88586716]]])
標準正態分佈介紹
numpy.random.randint(low, high=none, size=none, dtype=』l』)
np.random.randint(1,size=5) # 返回[0,1)之間的整數,所以只有0
array([0, 0, 0, 0, 0])
np.random.randint(1,5) # 返回1個[1,5)時間的隨機整數
4
np.random.randint(-5,5,size=(2,2))
array([[ 2, -1],
[ 2, 0]])
numpy.random.random_integers(low, high=none, size=none)
該函式在最新的numpy版本中已被替代,建議使用randint函式
np.random.random_integers(1,size=5)
array([1, 1, 1, 1, 1])
print('-----------random_sample--------------')
print(np.random.random_sample(size=(2,2)))
print('-----------random--------------')
print(np.random.random(size=(2,2)))
print('-----------ranf--------------')
print(np.random.ranf(size=(2,2)))
print('-----------sample--------------')
print(np.random.sample(size=(2,2)))
-----------random_sample--------------
[[ 0.34966859 0.85655008]
[ 0.16045328 0.87908218]]
-----------random--------------
[[ 0.25303772 0.45417512]
[ 0.76053763 0.12454433]]
-----------ranf--------------
[[ 0.0379055 0.51288667]
[ 0.71819639 0.97292903]]
-----------sample--------------
[[ 0.59942807 0.80211491]
[ 0.36233939 0.12607092]]
numpy.random.choice(a, size=none, replace=true, p=none)
np.random.choice(5,3)
array([4, 1, 4])
np.random.choice(5, 3, replace=false)
# 當replace為false時,生成的隨機數不能有重複的數值
array([0, 3, 1])
np.random.choice(5,size=(3,2))
array([[1, 0],
[4, 2],
[3, 3]])
demo_list = ['lenovo', 'sansumg','moto','xiaomi', 'iphone']
np.random.choice(demo_list,size=(3,3))
array([['moto', 'iphone', 'xiaomi'],
['lenovo', 'xiaomi', 'xiaomi'],
['xiaomi', 'lenovo', 'iphone']],
dtype='np.random.choice(demo_list,size=(3,3), p=[0.1,0.6,0.1,0.1,0.1])
array([['sansumg', 'sansumg', 'sansumg'],
['sansumg', 'sansumg', 'sansumg'],
['sansumg', 'xiaomi', 'iphone']],
dtype='np.random.rand(5)
array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ])
np.random.seed(1676)
np.random.rand(5)
array([ 0.39983389, 0.29426895, 0.89541728, 0.71807369, 0.3531823 ])
np.random.seed(1676)
np.random.rand(5)
array([ 0.39983389, 0.29426895, 0.89541728, 0.71807369, 0.3531823 ])
numpy 之 random 幾個函式
1.numpy.random.rand d0,d1,d2,d0,d1,d2 即生成的array 的維數,其元素是基於 0,1 的均勻分布 import numpy as np np.random.rand 2 array 0.1767244 0.48286388 np.random.rand 3,2...
Numpy學習 常用random函式
numpy.random模組下提供了一些常用的隨機函式,可以生成不同概率的隨機數。函式描述 rand d0,d1 dn 返回均勻分布的隨機數 randn d0,d1 dn 返回標準分布的隨機數 randint low,high,size,dtype 返回給定開區間的隨機整數 random inter...
Numpy庫中常用random函式
在機器學習中,經常需要用到資料的生成或者初始值生成,記錄一下常用的random函式 rand生成的是給定大小規模且數值在 0,1 均勻分布的資料 import numpy as np x np.random.rand 2,3 生成2x3規模,數值在0到1內均勻分布的資料 print x 輸出結果 0...