Fork me on GitHub

random和np.random函数详解

Posted on | In , |
Words count in article: 2k | Reading time ≈ 9

随机取数和采样：random和np.random模块

本文详细地介绍基于Python的第三方库random和numpy.random模块进行随机生成数据和随机采样的过程。

导入库

1
2
3
import random
import numpy as np
import pandas as pd

一、random模块

Python中的random模块实现了各种分布的伪随机数生成器。

random.random()

用于生成一个0到1的随机符点数: 0 <= n < 1.0

我们可以模仿多次，每次生成的结果是不同的：

1
random.random()
0.47917938679860983

1
random.random()
0.5609907030373721

random.uniform()

返回一个随机的浮点数

1
random.uniform(1,10)
6.001485472959377

同样的改变区间，每次生成不同的数据：

1
random.uniform(2,5)
3.9644214464183154

random.randint()

返回的是一个随机整数；重复操作生成不同的数据：

1
random.randint(1,10)
7

1
random.randint(2,7)
3

random.randrange()

random.randrange([start], stop[, step])

返回的结果就是一个数值

1
random.randrange(10)  # 默认起始值是0
1

1
random.randrange(1,10)  # 指定头尾
7

1
random.randrange(1,10,2)  # 指定步长
1

1
random.randrange(-6,-1)  # 范围为负数
-2

random.choices()

针对序列进行随机取数的一个函数

1
random.choices(sequence, weights=None, cum_weights=None, k=1)
  • sequence：待抽取的序列；list，tuple，字符串等
  • weights：列表是可以权衡每个值的可能性，可选
  • cum_weights：列表是可以权衡每个值的可能性，只有这一次累积的可能性
  • k：可选。一个定义返回列表长度的整数

来自中文官网的解释：https://docs.python.org/zh-cn/3/library/random.html

如果指定了 weight 序列，则根据相对权重进行选择。 或者，如果给出 cum_weights 序列，则根据累积权重（可能使用 itertools.accumulate() 计算）进行选择。

例如，相对权重[10, 5, 30, 5]相当于累积权重[10, 15, 45, 50]。 在内部，相对权重在进行选择之前会转换为累积权重，因此提供累积权重可以节省工作量。

1、针对列表的随机取数

1
2
3
# 1、列表
names = ["Mike","Tom","Peter","Jimmy"]
random.choices(names)
['Tom']

1
random.choices(names)
['Mike']

1
random.choices(names)
['Jimmy']

2、针对元组的随机取数：

1
2
3
# 2、元组
fruits = ("苹果","梨","葡萄","香蕉")
random.choices(fruits)
['梨']

1
random.choices(fruits)
['梨']

1
random.choices(fruits)
['葡萄']

3、针对字符串的随机取数：

1
2
3
# 3、字符串
address = "abcdefg"
random.choices(address)
['g']

重复操作返回不同的数据：

1
random.choices(address)
['a']

random.choice()

从序列中随机选取一个数据，返回的是一个字符，而不是列表

1
random.choice(names)  # choice
'Mike'

1
random.choice(fruits)  # choice
'苹果'

1
random.choice(address)  # choice
'a'

要注意random.choices返回的是列表：

1
random.choices(address)  # choices：返回列表
['g']

random.shuffle()

将一个列表（只针对列表）中的数据随机打乱

1
names  # 打乱前
['Mike', 'Tom', 'Peter', 'Jimmy']

1
random.shuffle(names)
1
names  # 打乱后
['Tom', 'Peter', 'Mike', 'Jimmy']

random.sample()

random.sample的函数原型为：random.sample(sequence, k)

从指定序列中随机获取指定长度的片断，sample函数不会修改原有序列。

用于无重复的随机抽样

1
2
3
4
number = [1,2,3,4,5,6,7,8,9,10]

# 从中随机选择6个数据
random.sample(number, 6)
[9, 6, 7, 4, 8, 3]

1
number  # 原数据是不变的
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

random.seed

random.seed(a, version)：自定义随机数生成器的起始编号，保证每次运行的结果是相同的。就是我们通常理解的设置随机种子

同样的种子下操作3次，结果是相同的：

1
2
random.seed(3)
random.random()
0.23796462709189137

1
2
random.seed(3)
random.random()
0.23796462709189137

1
2
random.seed(3)
random.random()
0.23796462709189137

np.random模块

在numpy中同样也有一个random能够用于生成各种随机数据，同时也能够用于数据的随机采样

np.random.rand()

生成指定维度的的[0,1)范围之间的随机数，输入参数为维度

1
np.random.rand(3)  # 一维
array([0.56316478, 0.19472655, 0.77416481])

1
np.random.rand(3,2)  # 二维
array([[0.53948953, 0.28900922],
       [0.50819889, 0.87661466],
       [0.6275246 , 0.50510408]])

1
np.random.rand(3,2,2)  # 三维
array([[[0.07652093, 0.08418762],
        [0.26209203, 0.62653792]],

       [[0.35453925, 0.79562255],
        [0.38392161, 0.13594379]],

       [[0.76627042, 0.46727042],
        [0.71653905, 0.36350333]]])

random.randint()

具体语法为：

1
random.randint(low, high=None, size=None, dtype=int)
1
np.random.randint(10)  # 指定low
1

1
np.random.randint(2, 100)  # 指定low和high
2

1
np.random.randint(2,100,size=5)  # 指定size
array([45, 45, 17, 78, 72])

1
np.random.randint(2,100,5)  # 指定size
array([13, 61,  9, 77, 25])

1
np.random.randint(2,100,size=(5,3))  # 指定多维度size
array([[89,  4, 94],
       [96, 26, 76],
       [71,  2, 78],
       [26, 79, 68],
       [30, 85, 94]])

np.random.randn()

生成指定维度的服从标准正态分布的随机数，输入参数为维度

1
np.random.randn(3)  # 一维
array([ 0.86231343, -0.17504608, -1.18435821])

1
np.random.randn(2, 4)  # 二维
array([[ 0.6815724 , -0.40425239, -0.70292058,  1.50423829],
       [ 1.39392811,  1.21985809, -0.13557424,  0.01812161]])

np.random.random_integers()

返回范围为[low,high] 闭区间 随机整数；可放回的抽样取数

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

1
np.random.random_integers(1,6,size=5)
array([5, 3, 5, 1, 1])

1
np.random.random_integers(1,6,size=8)
array([4, 2, 4, 2, 4, 3, 5, 6])

np.random.random()

返回0-1之间指定维度下的随机数

1
np.random.random(size=None)
1
np.random.random()
0.5446614807473444

1
np.random.random(size=(2,3))
array([[0.24849247, 0.24794785, 0.12318699],
       [0.38708798, 0.12982558, 0.67378513]])

1
np.random.random(size=(2,3,4))
array([[[0.34112893, 0.19507699, 0.0998322 , 0.1613075 ],
        [0.14750045, 0.64746506, 0.37992539, 0.96126298],
        [0.4169575 , 0.21279002, 0.84499108, 0.46106979]],

       [[0.35969999, 0.83434346, 0.435845  , 0.22377047],
        [0.49878421, 0.7140939 , 0.19513683, 0.90309624],
        [0.84402436, 0.94049321, 0.44680034, 0.12482742]]])

np.random.seed()

设置随机种子，保证每次的结果相同

1
2
np.random.seed(20)
np.random.random()
0.5881308010772742

1
2
np.random.seed(20)
np.random.random()
0.5881308010772742

1
2
np.random.seed(20)
np.random.random()
0.5881308010772742

np.random.choice()

从序列中随机选择数据，放回或者不放回可指定

1
np.random.choice(a, size = None, replace = True, p = None)

p可以指定a中每个元素被选择的概率

1
2
# 等价于: np.random.randint(0,5,3)
np.random.choice(5, 3)
array([4, 2, 1])

下面通过一个详细的例子来说明各个参数的使用

1
numbers = [1,2,3,4,5,6,7,8,9,10]
1
np.random.choice(numbers)  # 抽一个数据
5

1
np.random.choice(numbers,size=5)  # 一维抽样
array([7, 8, 3, 1, 7])

1
np.random.choice(numbers,size=(2,4))  # 二维抽样
array([[ 9,  6,  4,  1],
       [ 7,  7,  1, 10]])

在无放回抽样中，取出来的数据是没有重复的：

1
2
3
4
5
6
# 无放回抽样
np.random.choice(
    numbers,
    size=5,
    replace=False  # 不放回
)
array([1, 5, 2, 9, 4])

还可以指定每个元素被抽取的概率，p中所有元素的和为1，且个数必须为待抽取的序列中的个数相同：

1
2
3
np.random.choice([1,2,3,4,5],
                 size=3,
                 p=[0.2,0.2,0.1,0.2,0.3])
array([2, 2, 5])

np.random.standard_normal()

标准正态分布随机取数，就一个可选参数size，用来指定维度

1
np.random.standard_normal()
-2.098773908831827

1
np.random.standard_normal(10)
array([-1.85559768,  0.55097131, -0.36372358, -0.99642606, -1.1653022 ,
        1.30970062,  0.32287203,  0.64708367, -0.49947789, -0.38030095])

1
np.random.standard_normal(size=(3,2))
array([[ 1.60136877, -0.21666908],
       [-0.76330235,  1.4667905 ],
       [-0.45362263,  0.65496734]])

np.random.random_sample()

用于生成0-1之间的随机浮点数或者数组

1
np.random.random_sample()
0.29533501415054364

1
np.random.random_sample(size=(3,2))
array([[0.32882246, 0.26813417],
       [0.13655489, 0.37195498],
       [0.01574185, 0.34472747]])

np.random.shuffle()

对给定的数据进行重排序，如果数据为为多维数组，只沿第一条轴洗牌

1
names
['Tom', 'Peter', 'Mike', 'Jimmy']

1
np.random.shuffle(names)  # 第一次洗牌
1
names
['Peter', 'Tom', 'Mike', 'Jimmy']

1
np.random.shuffle(names)  # 第二次洗牌
1
names
['Tom', 'Jimmy', 'Mike', 'Peter']

当给定的数据是多维度的，该如何处理？

1
2
3
# 如果数据是多维度
data = np.random.random_sample(size=(3,2))
data
array([[0.64656729, 0.42563648],
       [0.51356833, 0.50125784],
       [0.03708381, 0.7081161 ]])

1
np.random.shuffle(data)
1
data
array([[0.51356833, 0.50125784],
       [0.03708381, 0.7081161 ],
       [0.64656729, 0.42563648]])

np.random.permutation()

同样也是洗牌的过程，只是不会打乱原数据的顺序

1
names
['Tom', 'Jimmy', 'Mike', 'Peter']

permutation()没有改变names的顺序：

1
np.random.permutation(names)
array(['Peter', 'Jimmy', 'Mike', 'Tom'], dtype='<U5')

1
names
['Tom', 'Jimmy', 'Mike', 'Peter']

下面执行shuffle操作，已经改变了顺序：

1
np.random.shuffle(names)
1
names
['Tom', 'Peter', 'Jimmy', 'Mike']

本文标题:random和np.random函数详解

发布时间:2022年03月01日 - 23:03

原始链接:http://www.renpeter.cn/2022/03/01/random%E5%92%8Cnp-random%E5%87%BD%E6%95%B0%E8%AF%A6%E8%A7%A3.html

许可协议: 署名-非商业性使用-禁止演绎 4.0 国际 转载请保留原文链接及作者。

Coffee or Tea