日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學無先后，達者為師

網站首頁 編程語言 正文

Python如何生成指定區間中的隨機數_python

作者：清風醉雨 ? 更新時間： 2022-09-09 編程語言

如何生成指定區間中的隨機數

要求生成區間[a, b]中的隨機數。若要求為浮點數，則Python中只能近似達到這一要求，因為隨機函數的取值區間一般都為左閉右開區間，因為只能無限接近b。

若要求為整數，那么將取數區間設置為[a,b+1)即可以取到b了。

具體如下：

1. random()

numpy.random.random(size=None)
  • 生成[0.0, 1.0)的隨機數。注意區間是左閉右開，取不到1.0。
  • 生成的是浮點數。
  • 參數size可以用于指定生成隨機數的個數和形狀。例如
>>>import numpy as np
>>>np.random.random()
0.5312959368718575
>>>np.random.random(5)
array([ 0.2483017 , ?0.86182212, ?0.03454678, ?0.87525464, ?0.31962688])
>>>np.random.random((2,3))
array([[ 0.66214521, ?0.40083972, ?0.05552421],
? ? ? ?[ 0.51091912, ?0.6419505 , ?0.8757311 ]])

利用np.random.random()近似生成[a,b]的隨機數，因為前者的取值范圍是[0,1)，是半開區間，所以右側端點處的值b取不到。

>>>import numpy as np
>>>a + (b-a)*np.random.random()

2. rand()

numpy.random.rand(d0, d1, …, dn)

它和numpy.random.random(size=None)的主要區別就在于參數。例如生成2*3的array。注意觀察參數的形式。

>>>import numpy as np
>>>np.random.random((2,3))
array([[ 0.66214521, ?0.40083972, ?0.05552421],
? ? ? ?[ 0.51091912, ?0.6419505 , ?0.8757311 ]])
>>>np.random.rand(2,3)
array([[ 0.59786635, ?0.88902485, ?0.7038246 ],
? ? ? ?[ 0.44150109, ?0.73660019, ?0.70001489]])

3. randint()

生成指定區間的隨機整數

numpy.random.randint(low, high=None, size=None, dtype=‘l')
>>> np.random.randint(2,5)
3
>>> np.random.randint(2,5,3)
array([2, 3, 3])
>>> np.random.randint(2,5,9)
array([3, 4, 3, 2, 3, 3, 4, 4, 2])
>>> np.random.randint(2,5,(2,3))
array([[4, 3, 2],
? ? ? ?[3, 3, 4]])

注意：取值的區間仍然是左閉右開區間[low, high)

若要求取[a,b]中的隨機數，則

>>>np.random.randint(a, b+1)

python生成隨機數總結

生成隨機數和隨機數操作

Python有自己專門處理隨機數的功能，但大家最常用的還是numpy庫里的生成隨機數功能，因為Python 的 random 沒有考慮數組類型的高效數據結構，所以在 array 類型的數據結構時，大家更喜歡直接用 Numpy 來生成，且它的功能更豐富，有各種隨機數的生成方式，隨機化當前數列，加速等。

Python自帶random

import random
print(random.random()) # 隨機生成一個0-1之間的隨機數，例如0.7679099295136553
print(random.randint(1, 10)) # 隨機生成一個1-10之間的整數，如3

numpy庫的random

先導入庫

import numpy as np

1. np.random.random_integers

numpy.random.random_integers(low, high=None, size=None)
  • 返回隨機整數，范圍區間為[low,high]，包含low和high
  • 參數：low為最小值，high為最大值，size為數組維度大小
  • high沒有填寫時，默認生成隨機數的范圍是[1，low]

該函數在最新的numpy版本中已被替代，建議使用randint函數

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

2. np.random.rand() 或 np.random.random()

# 功能一樣，寫法有點區別
np.random.rand(d0,d1,…,dn)
np.random.random([d0,d1,…,dn])
  • rand函數根據給定維度，生成[0,1)之間的數據，包含0，不包含1
  • dn：生成維度
  • 返回值為指定維度的array
>>> np.random.rand(4,2)
array([[ 0.02173903, ?0.44376568],
? ? ? ?[ 0.25309942, ?0.85259262],
? ? ? ?[ 0.56465709, ?0.95135013],
? ? ? ?[ 0.14145746, ?0.55389458]])
>>> np.random.rand(4,3,2) # shape: 4*3*2
array([[[ 0.08256277, ?0.11408276],
? ? ? ? [ 0.11182496, ?0.51452019],
? ? ? ? [ 0.09731856, ?0.18279204]],
?
? ? ? ?[[ 0.74637005, ?0.76065562],
? ? ? ? [ 0.32060311, ?0.69410458],
? ? ? ? [ 0.28890543, ?0.68532579]],
?
? ? ? ?[[ 0.72110169, ?0.52517524],
? ? ? ? [ 0.32876607, ?0.66632414],
? ? ? ? [ 0.45762399, ?0.49176764]],
?
? ? ? ?[[ 0.73886671, ?0.81877121],
? ? ? ? [ 0.03984658, ?0.99454548],
? ? ? ? [ 0.18205926, ?0.99637823]]])

3. np.random.randn()

numpy.random.randn(d0,d1,…,dn)
  • randn函數返回一個或一組樣本，具有標準正態分布（u分布，0為均值、1為標準差的正態分布，記為N（0，1））。
  • dn：維度
  • 返回值為指定維度的array
>>> np.random.randn() # 當沒有參數時，返回單個數據
-1.1241580894939212
>>> np.random.randn(2,4)
array([[ 0.27795239, -2.57882503, ?0.3817649 , ?1.42367345],
? ? ? ?[-1.16724625, -0.22408299, ?0.63006614, -0.41714538]])
? ? ? ?
>>> np.random.randn(4,3,2)
array([[[ 1.27820764, ?0.92479163],
? ? ? ? [-0.15151257, ?1.3428253 ],
? ? ? ? [-1.30948998, ?0.15493686]],
?
? ? ? ?[[-1.49645411, -0.27724089],
? ? ? ? [ 0.71590275, ?0.81377671],
? ? ? ? [-0.71833341, ?1.61637676]],
?
? ? ? ?[[ 0.52486563, -1.7345101 ],
? ? ? ? [ 1.24456943, -0.10902915],
? ? ? ? [ 1.27292735, -0.00926068]],
?
? ? ? ?[[ 0.88303 ? , ?0.46116413],
? ? ? ? [ 0.13305507, ?2.44968809],
? ? ? ? [-0.73132153, -0.88586716]]])

上面生成的都是小數，下面生成整數

4. np.random.randint()

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

函數作用：返回一個隨機整型數或隨機數數組，范圍從低（閉）到高（開），即[low, high)。

如果沒有寫參數high的值，則返回[0,low)的值。

參數如下：

  • low: int生成的數值最低要大于等于low。（hign = None時，生成的數值要在[0, low)區間內）
  • high: int (可選)如果使用這個值，則生成的數值在[low, high)區間。
  • size: int or tuple of ints(可選)輸出隨機數的尺寸，比如size = (m * n* k)則輸出同規模即m * n* k個隨機數。默認是None的，僅僅返回滿足要求的單一隨機數。
  • dtype: dtype(可選)：想要輸出的格式。如int64、int等等

注：范圍不對有可能報錯 ValueError: low >= high

>>> np.random.randint(2, size=10)
array([1, 0, 0, 0, 1, 1, 0, 0, 1, 0])
>>>np.random.randint(2, high=10, size=(2,3))
array([[6, 8, 7],
? ? ? ?[2, 5, 2]])

5. np.random.choice()

numpy.random.choice(a, size=None, replace=True, p=None)
  • 從給定的一維數組中生成隨機數
  • 參數： a為一維數組類似數據或整數；size為數組維度；p為數組中的數據出現的概率|權重
  • a為整數時，對應的一維數組為np.arange(a)
>>> np.random.choice(5,3)
array([4, 1, 4])
>>> np.random.choice(5, 3, replace=False)
# 當replace為False時，生成的隨機數不能有重復的數值（放不放回）
array([0, 3, 1])
>>> np.random.choice(5,size=(3,2))
array([[1, 0],
? ? ? ?[4, 2],
? ? ? ?[3, 3]])
? ? ? ?
>>> demo_list = ['lenovo', 'sansumg','moto','xiaomi', 'iphone']
>>> np.random.choice(demo_list,size=(3,3))
array([['moto', 'iphone', 'xiaomi'],
? ? ? ?['lenovo', 'xiaomi', 'xiaomi'],
? ? ? ?['xiaomi', 'lenovo', 'iphone']],
? ? ? dtype='<U7')
  • 參數p的長度與參數a的長度需要一致；
  • 參數p為概率，p里的數據之和應為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])
array([['sansumg', 'sansumg', 'sansumg'],
? ? ? ?['sansumg', 'sansumg', 'sansumg'],
? ? ? ?['sansumg', 'xiaomi', 'iphone']],
? ? ? dtype='<U7')

6. np.random.seed()

  • np.random.seed()的作用：使得隨機數據可預測。
  • 當我們設置相同的seed，每次生成的隨機數相同。如果不設置seed，則每次會生成不同的隨機數
  • 當我們把種子seed固定的時候（用一個數字），同一個種子（數字）產生的隨機序列就會一樣。
>>> np.random.seed(0)
>>> np.random.rand(5)
array([ 0.5488135 , ?0.71518937, ?0.60276338, ?0.54488318, ?0.4236548 ])
>>> np.random.seed(1676)
>>> np.random.rand(5)
array([ 0.39983389, ?0.29426895, ?0.89541728, ?0.71807369, ?0.3531823 ])
>>> np.random.seed(1676)
>>> np.random.rand(5)
array([ 0.39983389, ?0.29426895, ?0.89541728, ?0.71807369, ?0.3531823 ]) ? ?

7. 隨機分布

我們在生成數據的時候，有時需要按照特定的統計學分布來生成，比如一個正態分布的抽樣數據，或者均勻分布的數據抽樣結果，又或者泊松分布等等，都可以用 Numpy 來實現。機器學習中比較常用的 正態分布 和 均勻分布。

# (均值，方差，size)
print("正態分布：", np.random.normal(1, 0.2, 10))
# (最低，最高，size)
print("均勻分布：", np.random.uniform(-1, 1, 10))

8. 打亂功能

np.random.permutation(), 它實現的是 np.random.shuffle() 的一種特殊形式。

可以說是一種簡單處理特殊情況的功能。

它有兩個方便之處：

  • 1. 直接生成亂序的序列號
  • 2. 對數據亂序

相比 np.random.shuffle()，permutation 有一個好處，就是可以返回一個新數據，對原本的數據沒有影響。而且還可以處理多維數據。

np.random.permutation(10)) # 直接出10個亂序數
data = np.arange(12).reshape([6,2])
np.random.permutation(data)) # 將數據在第一維度上打亂

原文鏈接：https://blog.csdn.net/Firewall5788/article/details/120280585

欄目分類
最近更新