1. 隨機(jī)數(shù)

np.random.random()是最常用的隨機(jī)數(shù)生成函數(shù)，該函數(shù)生成的隨機(jī)數(shù)隨機(jī)均勻分布于[0, 1)區(qū)間。如果不提供參數(shù)，np.random.random()函數(shù)返回一個浮點(diǎn)型隨機(jī)數(shù)。np.random.random()函數(shù)還可以接受一個整型或元組參數(shù)，用于指定返回的浮點(diǎn)型隨機(jī)數(shù)數(shù)組的結(jié)構(gòu)(shape)。也有很多人習(xí)慣使用np.random.rand()函數(shù)生成隨機(jī)數(shù)，其功能和np.random.random()函數(shù)一樣，知識np.random.rand()函數(shù)不接受元組參數(shù)，必須要寫成兩個整型參數(shù)

import numpy as np

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

np.random.randint()是另一個常用的隨機(jī)數(shù)生成函數(shù)，該函數(shù)生成的隨機(jī)整數(shù)均勻分布于[low, high)區(qū)間。如果省略low參數(shù)，則默認(rèn)low的值等于0。np.random.randint()函數(shù)還有一個默認(rèn)參數(shù)size，用于指定返回的整型隨機(jī)數(shù)數(shù)組的結(jié)構(gòu)(shape)

print(np.random.randint(10))
print(np.random.randint(10, size=5))
print(np.random.randint(10, size=(2,5)))
print(np.random.randint(10, 100, size=(2,5)))

2. 隨機(jī)抽樣

隨機(jī)抽樣是從指定的有序列表中隨機(jī)抽取指定數(shù)量的元素。隨機(jī)抽樣的應(yīng)用比較廣泛，如產(chǎn)品抽檢、抽簽順序等。NumPy的隨機(jī)抽樣函數(shù)是np.random.choice()，其原型如下

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

參數(shù)a表示待抽樣的全體樣本，它值接受整數(shù)或一維的數(shù)組(列表)。參數(shù)a如果是整數(shù)，相當(dāng)于將數(shù)組np.arange(a)作為全體樣本。參數(shù)size用于指定返回抽樣結(jié)果數(shù)組的結(jié)構(gòu)(shape)。參數(shù)replace用于指定是否允許多次抽取同一個樣本，默認(rèn)為允許。參數(shù)p是和全體樣本集合等長的權(quán)重數(shù)組，用于指定對應(yīng)樣本被抽中的概率。

import numpy as np

print(np.random.choice(1,5)) # 抽簽樣本只有1個元素0，抽取5次
print(np.random.choice(['a','b','c'], size=(3,5), p=[0.5,0.25,0.25])) # 指定權(quán)重
print(np.random.choice(np.arange(100), size=(2,5), replace=False)) # 不允許重復(fù)

3. 正態(tài)分布

使用np.random.randn()函數(shù)是最簡單的生成標(biāo)準(zhǔn)正態(tài)分布隨機(jī)數(shù)的方法。np.random.randn()函數(shù)用于生成均值為0、標(biāo)準(zhǔn)差為1的正態(tài)分布(標(biāo)準(zhǔn)正態(tài)分布)的隨機(jī)數(shù)、該函數(shù)可以接受一個或兩個整型參數(shù)，用來指定返回的符合標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)數(shù)組的結(jié)構(gòu)(shape)

import numpy as np

print(np.random.randn()) # 標(biāo)準(zhǔn)正態(tài)分布，均值為0，標(biāo)準(zhǔn)差為1
print(np.random.randn(5))
print(np.random.randn(2,5))

如果需要生成非標(biāo)準(zhǔn)正態(tài)分布隨機(jī)數(shù)，則應(yīng)該使用np.random.normal()函數(shù)。np.random.nomal()函數(shù)默認(rèn)生成均值為0、標(biāo)準(zhǔn)差為1的正態(tài)分布隨機(jī)數(shù)。參數(shù)loc用于指定均值，參數(shù)scale用于指定標(biāo)準(zhǔn)差，參數(shù)size用于指定返回的符合正態(tài)分布的隨機(jī)數(shù)數(shù)組的結(jié)構(gòu)(shape)。從下面的代碼可以看出，和使用默認(rèn)標(biāo)準(zhǔn)差相比，指定標(biāo)準(zhǔn)差為0.2時，數(shù)據(jù)分布更加靠近均值

print(np.random.normal()) # 默認(rèn)均值為0，標(biāo)準(zhǔn)差為1
print(np.random.normal(loc=2, size=5)) # 參數(shù)loc指定均值為2
print(np.random.normal(loc=2, scale=0.2, size=(2,5))) # 參數(shù)loc指定均值為2，參數(shù)scale指定標(biāo)準(zhǔn)差為0.2

4. 偽隨機(jī)數(shù)的深度思考

計算機(jī)程序或編程語言中的隨機(jī)數(shù)都是偽隨機(jī)數(shù)。因?yàn)橛嬎銠C(jī)硬件是確定的，代碼是固定的，算法是準(zhǔn)確的，通過這些確定的、固定的、準(zhǔn)確的東西不會產(chǎn)生真正的隨機(jī)數(shù)，除非引入這個封閉系統(tǒng)以外的因素。計算機(jī)系統(tǒng)的隨機(jī)算法一般使用線性同余或平方取中的算法，通過一個種子(通常用時鐘代替)產(chǎn)生。這意味著，如果知道了種子和已經(jīng)產(chǎn)生的隨機(jī)數(shù)，就可能獲得接下來隨機(jī)數(shù)序列的信息，這就是偽隨機(jī)數(shù)的可預(yù)測性

NumPy隨機(jī)數(shù)函數(shù)內(nèi)部使用了一個偽隨機(jī)數(shù)生成器，這個生成器每次實(shí)例化時都需要一個種子(整數(shù))完成初始化。如果兩次初始化的種子相同，則每次初始化后產(chǎn)生的隨機(jī)數(shù)序列就完全一致。np.random.seed()函數(shù)可以指定偽隨機(jī)數(shù)生成器的初始化種子

import numpy as np

np.random.seed(12345) # 使用'12345'隨機(jī)種子初始化偽隨機(jī)數(shù)生成器
print(np.random.random(5))
print(np.random.random((2,3)))

np.random.seed(12345) # 再次使用'12345'隨機(jī)種子初始化偽隨機(jī)數(shù)生成器
print(np.random.random(5)) # 和上面完全一致
print(np.random.random((2,3))) # 和上面完全一致

從上述代碼匯總可以看出，只要指定相同的種子，接下來的隨機(jī)序列就完全一致。這意味著，只有從外部引入真正的隨機(jī)因子（如天空云朵的形狀、鄰居家無線網(wǎng)絡(luò)信號的強(qiáng)度等）作為種子，才可以得到真正的隨機(jī)數(shù)

此外，NumPy還提供了隨機(jī)數(shù)生成器，可以直接操作這個生成器來生成隨機(jī)數(shù)

r = np.random.RandomState(12345) # 使用隨機(jī)數(shù)生成器也同樣
print(r.random(5)) # 和上面完全一致
print(r.random((2,3))) # 和上面完全一致

到此這篇關(guān)于Python NumPy隨機(jī)抽模塊介紹及方法的文章就介紹到這了,更多相關(guān)Python NumPy 內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論