高防服务器

numpy.random的示例分析


numpy.random的示例分析

发布时间:2021-12-15 15:19:55 来源:高防服务器网 阅读:79 作者:小新 栏目:大数据

这篇文章给大家分享的是有关numpy.random的示例分析的内容。小编觉得挺实用的,因此分享给大家做个参考,一起跟随小编过来看看吧。

from numpy import random

numpy.random.uniform(low=0.0, high=1.0, size=None)


 生出size个符合均分布的浮点数,取值范围为[low, high),默认取值范围为[0, 1.0)

>>> random.uniform()  0.3999807403689315  >>> random.uniform(size=1)  array([0.55950578])  >>> random.uniform(5, 6)  5.293682668235986  >>> random.uniform(5, 6, size=(2,3))  array([[5.82416021, 5.68916836, 5.89708586],         [5.63843125, 5.22963754, 5.4319899 ]])

numpy.random.rand(d0, d1, …, dn)


 生成一个(d0, d1, …, dn)维的数组,数组的元素取自[0, 1)上的均分布,若没有参数输入,则生成一个数

>>> random.rand()  0.4378166124207712  >>> random.rand(1)  array([0.69845956])  >>> random.rand(3,2)  array([[0.15725424, 0.45786148],         [0.63133098, 0.81789056],         [0.40032941, 0.19108526]])  >>> random.rand(3,2,1)  array([[[0.00404447],          [0.3837963 ]],           [[0.32518355],          [0.82482599]],           [[0.79603205],          [0.19087375]]])

numpy.random.randint(low, high=None, size=None, dtype='I')


生成size个整数,取值区间为[low, high),若没有输入参数high则取值区间为[0, low)

>>> random.randint(8)  5  >>> random.randint(8, size=1)  array([1])  >>> random.randint(8, size=(2,2,3))  array([[[4, 7, 0],          [1, 4, 1]],           [[2, 2, 5],          [7, 6, 4]]])  >>> random.randint(8, size=(2,2,3), dtype='int64')  array([[[5, 5, 6],          [2, 7, 2]],           [[2, 7, 6],          [4, 7, 7]]], dtype=int64)

numpy.random.random_integers(low, high=None, size=None)


 生成size个整数,取值区间为[low, high], 若没有输入参数high则取值区间为[1, low],注意这里左右都是闭区间

>>> random.random_integers(5)  1  >>> random.random_integers(5, size=1)  array([2])  >>> random.random_integers(4, 5, size=(2,2))  array([[5, 4],         [4, 4]])

numpy.random.random(size=None)


 产生[0.0, 1.0)之间的浮点数

>>> random.random(5)  array([0.94128141, 0.98725499, 0.48435957, 0.90948135, 0.40570882])  >>> random.random()  0.49761416226728084

 相同用法:

  • numpy.random.random_sample

  • numpy.random.ranf

  • numpy.random.sample (抽取不重复)

numpy.random.bytes(length)


 生成随机字节

>>> random.bytes(1)  b'%'  >>> random.bytes(2)  b'xd0xc3'

numpy.random.choice(a, size=None, replace=True, p=None)


 从a(数组)中选取size(维度)大小的随机数,replace=True表示可重复抽取,p是a中每个数出现的概率

 若a是整数,则a代表的数组是arange(a)

>>> random.choice(5)  3  >>> random.choice([0.2, 0.4])  0.2  >>> random.choice([0.2, 0.4], p=[1, 0])  0.2  >>> random.choice([0.2, 0.4], p=[0, 1])  0.4  >>> random.choice(5, 5)  array([1, 2, 4, 2, 4])  >>> random.choice(5, 5, False)  array([2, 0, 1, 4, 3])  >>> random.choice(100, (2, 3, 5), False)  array([[[43, 81, 48,  2,  8],          [33, 79, 30, 24, 83],          [ 3, 82, 97, 49, 98]],           [[32, 12, 15,  0, 96],          [19, 61,  6, 42, 60],          [ 7, 93, 20, 18, 58]]])

numpy.random.permutation(x)


 随机打乱x中的元素。若x是整数,则打乱arange(x),若x是一个数组,则将copy(x)的第一位索引打乱,意思是先复制x,对副本进行打乱处理,打乱只针对数组的第一维

>>> random.permutation(5)  array([1, 2, 3, 0, 4])  >>> random.permutation(5)  array([1, 4, 3, 2, 0])  >>> random.permutation([[1,2,3],[4,5,6]])  array([[1, 2, 3],         [4, 5, 6]])  >>> random.permutation([[1,2,3],[4,5,6]])  array([[4, 5, 6],         [1, 2, 3]])

numpy.random.shuffle(x)


 与permutation类似,随机打乱x中的元素。若x是整数,则打乱arange(x). 但是shuffle会对x进行修改

>>> a = arange(5)  >>> a  array([0, 1, 2, 3, 4])  >>> random.permutation(a)  array([1, 4, 3, 2, 0])  >>> a  array([0, 1, 2, 3, 4])  >>> random.shuffle(a)  >>> a  array([4, 1, 3, 2, 0])

numpy.random.seed(seed=None)


 设置随机生成算法的初始值

其它符合函数分布的随机数函数


  • numpy.random.beta

  • numpy.random.binomial

  • numpy.random.chisquare

  • numpy.random.dirichlet

  • numpy.random.exponential

  • numpy.random.f

  • numpy.random.gamma

  • numpy.random.geometric

  • numpy.random.gumbel

  • numpy.random.hypergeometric

  • numpy.random.laplace

  • numpy.random.logistic

  • numpy.random.lognormal

  • numpy.random.logseries

  • numpy.random.multinomial

  • numpy.random.multivariate_normal

  • numpy.random.negative_binomial

  • numpy.random.noncentral_chisquare

  • numpy.random.noncentral_f

  • numpy.random.normal

  • numpy.random.pareto

  • numpy.random.poisson

  • numpy.random.power

  • numpy.random.randn

  • numpy.random.rayleigh

  • numpy.random.standard_cauchy

  • numpy.random.standard_exponential

  • numpy.random.standard_gamma

  • numpy.random.standard_normal

  • numpy.random.standard_t

  • numpy.random.triangular

  • numpy.random.vonmises

  • numpy.random.wald

  • numpy.random.weibull

  • numpy.random.zipf

感谢各位的阅读!关于“numpy.random的示例分析”这篇文章就分享到这里了,希望以上内容可以对大家有一定的帮助,让大家可以学到更多知识,如果觉得文章不错,可以把它分享出去让更多的人看到吧!

[微信提示:高防服务器能助您降低 IT 成本,提升运维效率,使您更专注于核心业务创新。

[图文来源于网络,不代表本站立场,如有侵权,请联系高防服务器网删除]
[