Python.Numpy学习零碎笔记之随机数生成

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

import numpy as np
a = np.random.rand(3，3)
print(a)

b = np.random.rand(4,3,3)
print(b)

[[ 0.13833841  0.94703904  0.18947573]
 [ 0.54098698  0.18486109  0.47432247]
 [ 0.18181211  0.10269268  0.48891685]]

[[[ 0.2152551   0.72241842  0.49597082]
  [ 0.6020242   0.11430687  0.92149071]
  [ 0.6730968   0.21424972  0.86769038]]

 [[ 0.21263884  0.68281043  0.93274713]
  [ 0.1883081   0.7677195   0.36024236]
  [ 0.54497332  0.2375934   0.62899007]]

 [[ 0.18842451  0.92429477  0.39796031]
  [ 0.01540998  0.85513435  0.55736133]
  [ 0.40429504  0.85572897  0.58061831]]

 [[ 0.25351898  0.68418227  0.45860821]
  [ 0.55450712  0.11808712  0.19754229]
  [ 0.67555046  0.1237125   0.64581371]]]

---

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

np.random.randn() # 当没有参数时，返回单个数据

-0.25992502584368105

np.random.randn(2,3)

[[ 0.10243619  1.07891022 -1.05998665]
 [ 0.67506648  1.11934079 -0.8100286 ]]

np.random.randn(2,2,3)

[[[ 0.41541833  0.99428651 -0.66999151]
  [-0.19904438 -0.60104075 -1.51317465]]

 [[ 0.65306951 -1.91241846  0.75446768]
  [-1.24865309 -0.31850884 -0.71423429]]]

---

3 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)

np.random.randint(2,size=6)

[0 0 1 1 1 0]   # 返回[0,2)之间的整数

np.random.randint(2,6)

4       # 返回一个[2，6)之间的随机整数

np.random.randint(2)

1        # 不输入size参数的时候默认为1，返回一个[0,2)之间的随机整数

np.random.randint(-6,6,size=(3,3))

[[-1  2 -6]
 [-5  4 -2]
 [-6 -2  2]]

---

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)

print('-----------random_sample--------------')
print(np.random.random_sample(size=(2,2)))
print('-----------random--------------')
print(np.random.random(size=(2,2)))
print('-----------ranf--------------')
print(np.random.ranf(size=(2,2)))
print('-----------sample--------------')
print(np.random.sample(size=(2,2)))

-----------random_sample--------------
[[ 0.39709353  0.37642581]
 [ 0.46533729  0.9582476 ]]
-----------random--------------
[[ 0.17193343  0.48426309]
 [ 0.16108179  0.02737971]]
-----------ranf--------------
[[ 0.02537128  0.3272678 ]
 [ 0.05162058  0.49541444]]
-----------sample--------------
[[ 0.07418193  0.75022483]
 [ 0.8168686   0.32112412]]

---

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)

np.random.choice(5,3)

[4, 1, 4]

p.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

[0, 3, 1]

np.random.choice(5,size=(3,2))

[[1, 0],
 [4, 2],
 [3, 3]]

demo_list = ['lenovo', 'sansumg','moto','xiaomi', 'iphone']
np.random.choice(demo_list,size=(3,3))

[['moto', 'iphone', 'xiaomi'],
 ['lenovo', 'xiaomi', 'xiaomi'],
 ['xiaomi', 'lenovo', 'iphone']]

• 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

demo_list = ['lenovo', 'sansumg','moto','xiaomi', 'iphone']
np.random.choice(demo_list,size=(3,3), p=[0.1,0.6,0.1,0.1,0.1])

[['sansumg', 'sansumg', 'sansumg'],
 ['sansumg', 'sansumg', 'sansumg'],
 ['sansumg', 'xiaomi', 'iphone']]

---

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