np.random.seed()、np.random.random()系列函数、np.squeeze()的用法

在最近的学习中遇到了这两个函数，详细说一下这两个函数的使用方法：

 

1.np.random.seed():

这个函数控制着随机数的生成。当你将seed值设为某一定值，则np.random下随机数生成函数生成的随机数永远是不变的。更清晰的说，即当你把设置为seed(0)，则你每次运行代码第一次用np.random.rand()产生的随机数永远是0.5488135039273248；第二次用np.random.rand()产生的随机数永远是0.7151893663724195，以此类推。具体例子见以下代码：

import numpy as np

np.random.seed(0)
for i in range(6):
    print(np.random.rand())

0.5488135039273248
0.7151893663724195
0.6027633760716439
0.5448831829968969
0.4236547993389047
0.6458941130666561


np.random.seed(0)
for i in range(3):
    print(np.random.rand())

0.5488135039273248
0.7151893663724195
0.6027633760716439

由代码易知，相同的code第二次运行的时候，生成的前三个随机数没变。

值得一提的是，numpy.random.seed()和numpy.random.RandomState()这两个在数据处理中比较常用的函数，两者实现的作用是一样的，都是使每次随机生成数一样。

---

2.np.random.random()系列函数：

(1) np.random.rand()：随机生成均匀分布的[0,1]的随机小数

(2) np.random.randint()、np.random.ranom.random_integers()：生成均匀分布的整数。根据所传的参数，前者范围为[start,end)，后者为[start,end]

(3) np.random.random()、np.random.sanmple() 、np.random.random_sanmple() 、np.random.randf()：生成随机浮点数，取值范围：[0,1)

(4) np.random.randn()：随机生成服从正态分布~N(0,1)的浮点数

---

3. np.squeeze()：

将矩阵秩为1的维度压缩掉。代码示例如下：

X = np.arange(15).reshape(-1,1)
print(X.shape)

>>>(15, 1)


y = X.squeeze()
print(y.shape)

>>>（15,）

我在用matplotlib.pyplot下的scatter()方法时发现，若scatter()的参数“c”，若赋值（15,1），则报错；赋值（15，），则运行成功。所以在这里我用到了squeeze()函数。

 

 

这些看似很简单的函数，作为初学者的我，的确是给我造成了极大地困扰。今天特小结于此，希望以后使用Python可以更得心应手吧！