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。

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 numpy as 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='<U7')

• 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='<U7')

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，欢迎关注亿速云行业资讯频道。