转自为什么你用不好Numpy的random函数？
Table of Contents
- 1 numpy.random.rand()
- 2 numpy.random.randn()
- 3 numpy.random.randint()
- 3.1 numpy.random.randint()
- 3.2 numpy.random.random_integers
- 4 生成(0,1)之间的浮点数
- 5 numpy.random.choice()
- 6 numpy.random.seed()
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、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
In [1]: import numpy as np
In [2]: np.random.rand(4,2)
Out[2]:
array([[0.03543649, 0.65699022],
[0.9640137 , 0.41203671],
[0.0274156 , 0.39526102],
[0.3824676 , 0.45293477]])
In [3]: np.random.rand(4,3,2) # shape: 4*3*2
Out[3]:
array([[[0.28132306, 0.55141521],
[0.54143807, 0.70934416],
[0.32648501, 0.09187119]],
[[0.95055997, 0.23998789],
[0.01906987, 0.60294769],
[0.61123351, 0.73415631]],
[[0.58635931, 0.02097799],
[0.19919756, 0.80204155],
[0.60294895, 0.52479401]],
[[0.89149168, 0.4630619 ],
[0.96669213, 0.13155044],
[0.78773533, 0.86499175]]])
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
In [4]: np.random.randn() # 当没有参数时，返回单个数据
Out[4]: 0.6788858950501044
In [5]: np.random.randn(2,4)
Out[5]:
array([[ 1.32778139, -1.13259764, 0.45843893, -0.64685327],
[-0.82564083, -1.28328157, -2.01779807, 1.13130852]])
In [6]: np.random.randn(4,3,2)
Out[6]:
array([[[-0.69405862, 1.35067816],
[-0.06843673, 0.94591779],
[-0.35769003, -1.12850492]],
[[-0.4138253 , 1.29171803],
[ 1.14909845, -1.06347911],
[ 0.70011367, 0.08417853]],
[[-0.01840155, -0.10676455],
[ 0.03287281, -0.01085714],
[ 1.23423707, 0.37175353]],
[[-0.9376414 , -1.25016235],
[ 0.53927611, 0.16836484],
[-0.41082093, 1.87387039]]])
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)
In [7]: np.random.randint(1,size=5) # 返回[0,1)之间的整数，所以只有0
Out[7]: array([0, 0, 0, 0, 0])
In [8]: np.random.randint(1,5) # 返回1个[1,5)时间的随机整数
Out[8]: 2
In [9]: np.random.randint(-5, 5, size=(2,2))
Out[9]:
array([[3, 1],
[3, 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
In [11]: np.random.random_integers(1, size=5)
C:\Users\shexuan\AppData\Local\Continuum\anaconda3\Scripts\ipython:1: DeprecationWarning: This function is deprecated. Please call randint(1, 1 + 1) instead
Out[11]: 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)
这四个函数其实都是一样的，其余的三个只是numpy.random.random_sample的重命名。
In [12]: np.random.random
Out[12]:
In [13]: np.random.ranf
Out[13]:
In [14]: np.random.sample
Out[14]:
In [15]: np.random.random_sample is np.random.random
Out[15]: True
In [16]: np.random.random_sample is np.random.ranf
Out[16]: True
In [17]: np.random.random_sample is np.random.sample
Out[17]: True
In [18]: np.random.random(size=(2,2))
Out[18]:
array([[0.31486874, 0.37654112],
[0.05517854, 0.42868528]])
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)
In [20]: np.random.choice(5, 3, replace=False) # 当replace为False时，生成的随机数不能有重复的数值
Out[20]: array([2, 0, 1])
In [21]: demo_list = ['lenovo', 'sansumg','moto','xiaomi', 'iphone']
...: np.random.choice(demo_list,size=(3,3))
...:
...:
Out[21]:
array([['iphone', 'moto', 'sansumg'],
['xiaomi', 'xiaomi', 'lenovo'],
['iphone', 'sansumg', 'xiaomi']], 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
In [25]: np.random.seed(0)
In [26]: np.random.rand(5)
Out[26]: array([0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ])
In [27]: np.random.rand(5)
Out[27]: array([0.64589411, 0.43758721, 0.891773 , 0.96366276, 0.38344152])
In [28]: np.random.seed(0)
In [29]: np.random.rand(5)
Out[29]: array([0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ])