标签：总结 random print low 随机数 np Numpy size

Numpy产生随机数方法总结

对于Numpy，与随机数相关的函数都在random模块中

---

 

一、np.random.random()和np.random.rand()：生成指定形状的0-1之间的随机数

他们的功能相同，但用法略有不同 np.random.random((3,4)) np.random.rand(3,4)

import numpy as np
print(np.random.random((3,4)))
print(np.random.rand(3,4))

[[0.71486294 0.90619708 0.18036259 0.29559902]
 [0.63288082 0.57762366 0.08443565 0.57025318]
 [0.37963033 0.93294029 0.07434962 0.31421043]]

[[0.65294396 0.92282208 0.60167071 0.75777565]
 [0.32883981 0.70395027 0.97803465 0.69672537]
 [0.16402514 0.89688693 0.16121562 0.49944553]]

print(np.random.random(3))
print(np.random.rand(4))

[0.55153992 0.52222281 0.29192807]
[0.22735637 0.14604848 0.33151211 0.11378455]

二、np.random.randint(low=, high=None, size=None, dtype=’l’)　生成指定范围内的随机整数

范围区间为[low,high），包含low，不包含high

size为数组维度，元组形式，如（2,3）#2行3列，是二维数组，如果是（2,3,4），就是生成一个三维数组

high没有填写时，默认生成随机数的范围是[0，low)

dtype指定数据类型，默认int

print(np.random.randint(low=1,high=10,size=6,dtype=np.int32))
print(np.random.randint(low=1,high=10,size=(2,3),dtype=np.int64))
print(np.random.randint(low=1,high=10,size=(2,3,4)))
print(np.random.randint(low=5,size=3))

[6 1 6 6 6 3]

[[4 9 7]
 [4 5 4]]

[[[8 3 2 2]
  [6 6 7 7]
  [3 5 3 6]]

 [[1 7 4 5]
  [9 8 8 1]
  [7 3 5 8]]]

[2 2 1]

三、np.random.randn()和np.random.normal()  与正太分布相关

• np.random.randn():生成服从均值为0，标准差为1的标准正太分布随机数
• np.random.normal(): 生成指定均值和标准差的正太分布随机数，虽然只能产生一维数组，但是结合reshape函数使用仍然可以转换为多维的随机数组

print(np.random.randn(5))
print(np.random.randn(3,4))

[ 0.32908489  0.58128907  0.90391857  0.89159727 -0.98671526]

[[ 1.45055514 -0.02468501 -2.20509542  0.52400635]
 [ 1.29168449 -0.00311436 -1.32607577 -1.18999596]
 [-0.65297306 -0.93074255  0.09339418 -0.02612097]]

print(np.random.normal(loc=2,scale=0.5,size=6))
print(np.random.normal(loc=2,scale=0.5,size=6).reshape(2,3))
print(np.random.normal(loc=2,scale=0.5,size=(2,1)))
# loc:均值  scale:方差  size： 产生随机数的个数

[2.10539706 1.62527689 2.62840321 1.9117643  1.95696242 2.37820255]

[[2.1659333  2.10631066 2.48083543]
 [1.69107863 1.86780026 1.98392153]]

[[2.00630241]
 [1.53853961]]

四、np.random.uniform()生成在【0,1】中均匀分布的随机数

numpy.random.uniform(low,high,size)

功能：从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high.

参数介绍:
low: 采样下界，float类型，默认值为0；
high: 采样上界，float类型，默认值为1；
size: 输出样本数目，为int或元组(tuple)类型，例如，size=(m,n,k), 则输出m*n*k个样本，缺省时输出1个值。

print(np.random.uniform(1,10,5))
print(np.random.uniform(1,10,(2,3)))

[8.05660716 5.87819869 2.54490089 8.38875894 8.52047537]

[[5.68585423 5.85509229 2.87273398]
 [3.37620455 3.15517604 9.58862358]]

　　

五、np.random.seed()：按照种子来生成随机数，种子一样，则生成的随机数结果必一致

该函数可以传入任意一个整数值，作为一颗种子。你就把这个整数值想象成一可桃树种子，

当然这棵种子得到的结果肯定是桃树，当你要再生成一棵桃树，你肯定还要设置相同的整数值作为桃树种子，这样长出来的才会是一样的桃树。

 类比产生随机数数组，也是同样的道理，当你设置了一个随机种子，那么会产生一个随机数组。

如果你要生成相同的随机数组，就必须设置相同的随机种子，这样最终产生的随机数组才会是一样。

当你不传入任何数字的时候，代表默认传入的是系统的默认事件，每一刻传入的值都是不一样的。

当函数中，传入同一个随机种子，会产生相同的随机数。

np.random.seed(3)
print(np.random.rand(3))
np.random.seed(3)
print(np.random.rand(3))

[0.5507979  0.70814782 0.29090474]
[0.5507979  0.70814782 0.29090474]

当你不传入任何数字的时候，系统会随机传入不同的值，此时产生的随机数，就不一定相同了。

np.random.seed(3)
print(np.random.rand(3))
np.random.seed(4)
print(np.random.rand(3))

[0.5507979  0.70814782 0.29090474]
[0.96702984 0.54723225 0.97268436]

六、np.random.shuffle() 打乱数组元素顺序（原地操作数组）

a = np.arange(10)
print(a)
np.random.shuffle(a)
print(a)

[0 1 2 3 4 5 6 7 8 9]
[8 3 5 6 2 4 0 1 9 7]

 七、np.random.choice() 按照指定概率从指定数组中，生成随机数

d =np.random.choice([1,2,3,4],p=[0.1,0.2,0.3,0.4])
print(d)

4

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

5

　　

 

 

 

 

     

 

标签：总结,random,print,low,随机数,np,Numpy,size
From： https://www.cnblogs.com/JINGSOLO/p/17009194.html