大家是否留意到《Python实战-构建基于股票的量化交易系统》小册子中,分别介绍了Python内置的random模块和第三方库NumPy的random模块提供生成符合正态分布序列的方法,接下来我们再详细地介绍下两个模块关于生成随机序列的其他使用方法。
随机数参与的应用场景大家一定不会陌生,比如密码加盐时会在原密码上关联一串随机数,蒙特卡洛算法会通过随机数采样等等。Python内置的random模块提供了生成随机数的方法,使用这些方法时需要导入random模块。
import random
复制代码
下面介绍下Python内置的random模块的几种生成随机数的方法。
1、random.random()随机生成 0 到 1 之间的浮点数[0.0, 1.0)。注意的是返回的随机数可能会是 0 但不可能为 1,即左闭右开的区间。
print("random: ", random.random())
#random: 0.5714025946899135
复制代码
2、random.randint(a , b)随机生成 a 与 b 之间的整数[a, b],a<=n<=b,随机整数不包含 b 时[a, b)可以使用 random.randrange() 方法。
print("randint: ", random.randint(6,8))
#randint: 8
复制代码
3、random.randrange(start,stop,step)按步长step随机在上下限范围内取一个随机数,start<=n 4、random.uniform(a, b)随机生成 a 与 b 之间的浮点数[a, b],a<=n<=b。 5、random.choice()从列表中随机取出一个元素,比如列表、元祖、字符串等。注意的是,该方法需要参数非空,否则会抛出 IndexError 的错误。 6、random.shuffle(items) 把列表 items 中的元素随机打乱。注意的是,如果不想修改原来的列表,可以使用 copy 模块先拷贝一份原来的列表。 7、random.sample(items, n)从列表 items 中随机取出 n 个元素。 Python 的random模块产生的随机数其实是伪随机数,依赖于特殊算法和指定不确定因素(种子seed)来实现。如randint方法生成一定范围内的随机数,会先指定一个特定的seed,将seed通过特定的随机数产生算法,得到一定范围内随机分布的随机数。因此对于同一个seed值的输入产生的随机数会相同,省略参数则意味着使用当前系统时间秒数作为种子值,达到每次运行产生的随机数都不一样。 numpy库也提供了random模块,用于生成多维度数组形式的随机数。使用时需要导入numpy库。 下面介绍下numpy库的random模块的几种生成随机数的方法。 1、numpy.random.rand(d0,d1,…,dn) 2、numpy.random.randn(d0,d1,…,dn) 3、numpy.random.randint(low, high=None, size=None, dtype=’l’) 4、numpy.random.seed() 关于完整代码可以加入小册交流群获取。更多的量化交易内容欢迎大家订阅小册阅读!!print("randrange: ",random.randrange(20,100,5))
#randrange: 85
复制代码
print("uniform: ",random.uniform(5,10))
#uniform: 5.119790163375776
复制代码
print("choice: ",random.choice("www.yuanxiao.net"))
#choice: y
复制代码
num = [1, 2, 3, 4, 5]
random.shuffle(num)
print("shuffle: ",num)
#shuffle: [1, 3, 5, 4, 2]
复制代码
num = [1, 2, 3, 4, 5]
print("sample: ",random.sample(num, 3))
#sample: [4, 1, 5]
复制代码
random.seed(2)
print("random: ", random.random())
#random: 0.9560342718892494
random.seed(3)
print("random: ", random.random())
#random: 0.23796462709189137
random.seed(3)#同一个种子值,产生的随机数相同
print("random: ", random.random())
#random: 0.23796462709189137
复制代码
import numpy as np
复制代码
print("np.random.rand:\n {}".format(np.random.rand(4,2)))
# shape: 4*3
"""
np.random.rand:
[[0.5488135 0.71518937]
[0.60276338 0.54488318]
[0.4236548 0.64589411]
[0.43758721 0.891773 ]]
"""
print("np.random.rand:\n {}".format(np.random.rand(4,3,2)))
# shape: 4*3*2
"""
np.random.rand:
[[[0.96366276 0.38344152]
[0.79172504 0.52889492]
[0.56804456 0.92559664]]
[[0.07103606 0.0871293 ]
[0.0202184 0.83261985]
[0.77815675 0.87001215]]
[[0.97861834 0.79915856]
[0.46147936 0.78052918]
[0.11827443 0.63992102]]
[[0.14335329 0.94466892]
[0.52184832 0.41466194]
[0.26455561 0.77423369]]]
"""
复制代码
print("np.random.randn:\n {}".format(np.random.randn()))
# 当没有参数时,返回单个数据
"""
np.random.randn:
2.2697546239876076
"""
print("np.random.randn:\n {}".format(np.random.randn(2,4)))
"""
np.random.randn:
[[-1.45436567 0.04575852 -0.18718385 1.53277921]
[ 1.46935877 0.15494743 0.37816252 -0.88778575]]
"""
print("np.random.randn:\n {}".format(np.random.randn(4,3,2)))
"""
np.random.randn:
[[[-1.98079647 -0.34791215]
[ 0.15634897 1.23029068]
[ 1.20237985 -0.38732682]]
[[-0.30230275 -1.04855297]
[-1.42001794 -1.70627019]
[ 1.9507754 -0.50965218]]
[[-0.4380743 -1.25279536]
[ 0.77749036 -1.61389785]
[-0.21274028 -0.89546656]]
[[ 0.3869025 -0.51080514]
[-1.18063218 -0.02818223]
[ 0.42833187 0.06651722]]]
"""
复制代码
print("np.random.randint:\n {}".format(np.random.randint(1,size=5)))
# 返回[0,1)之间的整数,所以只有0
"""
np.random.randint:
[0 0 0 0 0]
"""
print("np.random.randint:\n {}".format(np.random.randint(1,5)))# 返回1个[1,5)时间的随机整数
"""
np.random.randint:
2
"""
print("np.random.randint:\n {}".format(np.random.randint(-5,5,size=(2,2))))
"""
np.random.randint:
[[-5 -3]
[ 2 -3]]
"""
复制代码