在机器学习中参数初始化需要进行随机生成，同时样本也需要随机生成，或者遵从一定规则随机生成，所以对随机生成的使用显得格外重要。

有的是生成随机数，有的是随机序列，有点是从随机序列中选择元素等等。

简单的随机数据

rand(d0, d1, ..., dn)

随机值

>>> np.random.rand(3,2)

array([[ 0.14022471,  0.96360618],  #random

       [ 0.37601032,  0.25528411],  #random

       [ 0.49313049,  0.94909878]]) #random

randn(d0, d1, ..., dn)

返回一个样本，具有标准正态分布。

Notes

For
random samples from , use:

sigma * np.random.randn(...) + mu

Examples

>>> np.random.randn()

2.1923875335537315 #random

Two-by-four
array of samples from N(3, 6.25):

>>> 2.5 * np.random.randn(2, 4) + 3

array([[-4.49401501,  4.00950034, -1.81814867,  7.29718677],  #random

       [ 0.39924804,  4.68456316,  4.99394529,  4.84057254]]) #random

randint(low[, high, size])

返回随机的整数，位于半开区间
[low, high)。

>>> np.random.randint(2, size=10)

array([1, 0, 0, 0, 1, 1, 0, 0, 1, 0])

>>> np.random.randint(1, size=10)

array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])

Generate
a 2 x 4 array of ints between 0 and 4, inclusive:

>>> np.random.randint(5, size=(2, 4))

array([[4, 0, 2, 1],

       [3, 2, 2, 0]])

random_integers(low[, high, size])

返回随机的整数，位于闭区间
[low, high]。

Notes

To
sample from N evenly spaced floating-point numbers between a and b,
use:

a + (b - a) * (np.random.random_integers(N) - 1) / (N - 1.)

Examples

>>> np.random.random_integers(5)

4

>>> type(np.random.random_integers(5))

<type ‘int‘>

>>> np.random.random_integers(5, size=(3.,2.))

array([[5, 4],

       [3, 3],

       [4, 5]])

Choose
five random numbers from the set of five evenly-spaced numbers between 0 and
2.5, inclusive (i.e., from the
set ):

>>> 2.5 * (np.random.random_integers(5, size=(5,)) - 1) / 4.

array([ 0.625,  1.25 ,  0.625,  0.625,  2.5  ])

Roll
two six sided dice 1000 times and sum the results:

>>> d1 = np.random.random_integers(1, 6, 1000)

>>> d2 = np.random.random_integers(1, 6, 1000)

>>> dsums = d1 + d2

Display
results as a histogram:

>>> import matplotlib.pyplot as plt

>>> count, bins, ignored = plt.hist(dsums, 11, normed=True)

>>> plt.show()

random_sample([size])

返回随机的浮点数，在半开区间
[0.0, 1.0)。

To
sample multiply the output ofrandom_sample by (b-a) and
add a:

(b - a) * random_sample() + a

Examples

>>> np.random.random_sample()

0.47108547995356098

>>> type(np.random.random_sample())

<type ‘float‘>

>>> np.random.random_sample((5,))

array([ 0.30220482,  0.86820401,  0.1654503 ,  0.11659149,  0.54323428])

Three-by-two
array of random numbers from [-5, 0):

>>> 5 * np.random.random_sample((3, 2)) - 5

array([[-3.99149989, -0.52338984],

       [-2.99091858, -0.79479508],

       [-1.23204345, -1.75224494]])

random([size])

返回随机的浮点数，在半开区间
[0.0, 1.0)。

（官网例子与random_sample完全一样）

ranf([size])

返回随机的浮点数，在半开区间
[0.0, 1.0)。

（官网例子与random_sample完全一样）

sample([size])

返回随机的浮点数，在半开区间
[0.0, 1.0)。

（官网例子与random_sample完全一样）

choice(a[, size, replace, p])

生成一个随机样本，从一个给定的一维数组

Examples

Generate
a uniform random sample from np.arange(5) of size 3:

>>> np.random.choice(5, 3)

array([0, 3, 4])

>>> #This is equivalent to np.random.randint(0,5,3)

Generate
a non-uniform random sample from np.arange(5) of size 3:

>>> np.random.choice(5, 3, p=[0.1, 0, 0.3, 0.6, 0])

array([3, 3, 0])

Generate
a uniform random sample from np.arange(5) of size 3 without
replacement:

>>> np.random.choice(5, 3, replace=False)

array([3,1,0])

>>> #This is equivalent to np.random.permutation(np.arange(5))[:3]

Generate
a non-uniform random sample from np.arange(5) of size 3 without
replacement:

>>> np.random.choice(5, 3, replace=False, p=[0.1, 0, 0.3, 0.6, 0])

array([2, 3, 0])

Any
of the above can be repeated with an arbitrary array-like instead of just
integers. For instance:

>>> aa_milne_arr = [‘pooh‘, ‘rabbit‘, ‘piglet‘, ‘Christopher‘]

>>> np.random.choice(aa_milne_arr, 5, p=[0.5, 0.1, 0.1, 0.3])

array([‘pooh‘, ‘pooh‘, ‘pooh‘, ‘Christopher‘, ‘piglet‘],

      dtype=‘|S11‘)

bytes(length)

返回随机字节。

>>> np.random.bytes(10)

‘ eh\x85\x022SZ\xbf\xa4‘ #random

产生随机数的方式很多种，应用比较广的是

1、rand()、random产生随机的浮点数，但基本在0-1区间内，添加一个参数标注随机序列的size,这个函数的用法和random的一致，两者区别就是一个可以生成二维序列，一个不行。

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
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]]])

2、randint()，产生随机整数，特点是可以指定最大值和最小值，返回的是整数。当然也可以指定size，size中每个数都在low和high内。

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(1,size=5) # 返回[0,1)之间的整数，所以只有0


array([0, 0, 0, 0, 0])


np.random.randint(1,5) # 返回1个[1,5)时间的随机整数


4


np.random.randint(-5,5,size=(2,2))


array([[ 2, -1],

       [ 2,  0]])

3、randn（），其中n表示标准正态分布，这个在生成样本的时候经常使用，需要指定这个序列的尺寸

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


-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]]])

标准正态分布介绍

  • 标准正态分布—-standard normal distribution
  • 标准正态分布又称为u分布，是以0为均值、以1为标准差的正态分布，记为N（0，1）。

4、choice（），这个函数经常使用，经常在从序列中随机选择元素，而且还是指定选择出元素序列，很是方便。关键是可以为每个元素制定选择的概率。即p

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)


array([4, 1, 4])


np.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


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')
  • 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])


array([['sansumg', 'sansumg', 'sansumg'],

       ['sansumg', 'sansumg', 'sansumg'],

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

      dtype='<U7')

5、sample

lists=[1,2,3,4,5,6,7,8,10]                                  #从指定序列中随机获取指定长度的片断
a=random.sample(lists,3)
print (a)
[8, 6, 10]

排列

shuffle(x)

现场修改序列，改变自身内容。（类似洗牌，打乱顺序）

>>> arr = np.arange(10)

>>> np.random.shuffle(arr)

>>> arr

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

This
function only shuffles the array along the first index of a multi-dimensional
array:

>>> arr = np.arange(9).reshape((3, 3))

>>> np.random.shuffle(arr)

>>> arr

array([[3, 4, 5],

       [6, 7, 8],

       [0, 1, 2]])

permutation(x)

返回一个随机排列

>>> np.random.permutation(10)

array([1, 7, 4, 3, 0, 9, 2, 5, 8, 6])
>>> np.random.permutation([1, 4, 9, 12, 15])

array([15,  1,  9,  4, 12])
>>> arr = np.arange(9).reshape((3, 3))

>>> np.random.permutation(arr)

array([[6, 7, 8],

       [0, 1, 2],

       [3, 4, 5]])

上面两者都收用于打乱数组的排序，功能是一样的。

numpy.random.permutation(x)：与numpy.random.shuffle(x)函数功能相同，两者区别：peumutation(x)不会修改X的顺序。

因为前者返回了一个副本。

分布

beta(a, b[, size])

 贝塔分布样本，在 [0, 1]内。

binomial(n, p[, size])

 二项分布的样本。

chisquare(df[, size])

 卡方分布样本。

dirichlet(alpha[, size])

 狄利克雷分布样本。

exponential([scale, size])

 指数分布

f(dfnum, dfden[, size])

 F分布样本。

gamma(shape[, scale, size])

 伽马分布

geometric(p[, size])

 几何分布

gumbel([loc, scale, size])

 耿贝尔分布。

hypergeometric(ngood, nbad, nsample[, size])

 超几何分布样本。

laplace([loc, scale, size])

 拉普拉斯或双指数分布样本

logistic([loc, scale, size])

 Logistic分布样本

lognormal([mean, sigma, size])

 对数正态分布

logseries(p[, size])

 对数级数分布。

multinomial(n, pvals[, size])

 多项分布

multivariate_normal(mean, cov[, size])

多元正态分布。

>>> mean = [0,0]

>>> cov = [[1,0],[0,100]] # diagonal covariance, points lie on x or y-axis
>>> import matplotlib.pyplot as plt

>>> x, y = np.random.multivariate_normal(mean, cov, 5000).T

>>> plt.plot(x, y, ‘x‘); plt.axis(‘equal‘); plt.show()

negative_binomial(n, p[, size])

 负二项分布

noncentral_chisquare(df, nonc[, size])

 非中心卡方分布

noncentral_f(dfnum, dfden, nonc[, size])

 非中心F分布

normal([loc, scale, size])

正态(高斯)分布

Notes

The
probability density for the Gaussian distribution is

where is the mean and the standard deviation. The square of the
standard deviation, , is called the variance.

The
function has its peak at the mean, and its “spread” increases with the standard
deviation (the function reaches 0.607 times its maximum at and [R217]).

Examples

Draw
samples from the distribution:

>>> mu, sigma = 0, 0.1 # mean and standard deviation

>>> s = np.random.normal(mu, sigma, 1000)

Verify
the mean and the variance:

>>> abs(mu - np.mean(s)) < 0.01

True

>>> abs(sigma - np.std(s, ddof=1)) < 0.01

True

Display
the histogram of the samples, along with the probability density
function:

>>> import matplotlib.pyplot as plt

>>> count, bins, ignored = plt.hist(s, 30, normed=True)

>>> plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *

...                np.exp( - (bins - mu)**2 / (2 * sigma**2) ),

...          linewidth=2, color=‘r‘)

>>> plt.show()

pareto(a[, size])

 帕累托（Lomax）分布

poisson([lam, size])

 泊松分布

power(a[, size])

 Draws samples in [0, 1] from a power distribution
with positive exponent a - 1.

rayleigh([scale, size])

 Rayleigh 分布

standard_cauchy([size])

 标准柯西分布

standard_exponential([size])

 标准的指数分布

standard_gamma(shape[, size])

 标准伽马分布

standard_normal([size])

 标准正态分布 (mean=0, stdev=1).

standard_t(df[, size])

 Standard Student’s t distribution with df degrees of
freedom.

triangular(left, mode, right[, size])

 三角形分布

uniform([low, high, size])

 均匀分布

vonmises(mu, kappa[, size])

 von Mises分布

wald(mean, scale[, size])

 瓦尔德（逆高斯）分布

weibull(a[, size])

 Weibull 分布

zipf(a[, size])

 齐普夫分布

random的的分布，其实就是随机生成器的完善版，比如：

numpy.random.uniform介绍：
1. 函数原型：  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。

2. 类似uniform,还有以下随机数产生函数：
    a. randint: 原型：numpy.random.randint(low, high=None, size=None, dtype='l')，产生随机整数；
    b. random_integers: 原型： numpy.random.random_integers(low, high=None, size=None)，在闭区间上产生随机整数；
    c. random_sample: 原型： numpy.random.random_sample(size=None)，在[0.0,1.0)上随机采样；
    d. random: 原型： numpy.random.random(size=None)，和random_sample一样，是random_sample的别名；
    e. rand: 原型： numpy.random.rand(d0, d1, ..., dn)，产生d0 - d1 - ... - dn形状的在[0,1)上均匀分布的float型数。
    f. randn: 原型：numpy.random.randn（d0,d1,...,dn),产生d0 - d1 - ... - dn形状的标准正态分布的float型数 

# -*- coding: utf-8 -*-

import matplotlib.pyplot as plt

import numpy as np  

s = np.random.uniform(0,1,1200)      # 产生1200个[0,1)的数

count, bins, ignored = plt.hist(s, 12, normed=True)

 """

 hist原型：

         matplotlib.pyplot.hist(x, bins=10, range=None, normed=False, weights=None,

         cumulative=False, bottom=None, histtype='bar', align='mid',

         orientation='vertical',rwidth=None, log=False, color=None, label=None,

         stacked=False, hold=None,data=None,**kwargs) 

 输入参数很多，具体查看matplotlib.org,本例中用到3个参数，分别表示：s数据源，bins=12表示bin

 的个数，即画多少条条状图，normed表示是否归一化，每条条状图y坐标为n/(len(x)`dbin),整个条状图积分值为1 

 输出：count表示数组，长度为bins，里面保存的是每个条状图的纵坐标值

      bins:数组，长度为bins+1,里面保存的是所有条状图的横坐标，即边缘位置

      ignored: patches，即附加参数，列表或列表的列表，本例中没有用到。

"""

plt.plot(bins, np.ones_like(bins), linewidth=2, color='r')

plt.show()

在分布中标准正态分布和正态分布很重要，因为分布状态类似高斯分布，这个在数据样本产生中经常使用。

normal和standnormal，但是这些可以通过randn生成。

随机数生成器

RandomState

 Container for the Mersenne Twister pseudo-random
number generator.

seed([seed])

 Seed the generator.

get_state()

 Return a tuple representing the internal state of the
generator.

set_state(state)

 Set the internal state of the generator from a
tuple.

numpy.random.seed()是个很有意思的方法，它可以使多次生成的随机数相同。
如果在seed()中传入的数字相同，那么接下来使用random()或者rand()方法所生成的随机数序列都是相同的（仅限使用一次random()或者rand()方法，第二次以及更多次仍然是随机的数字），知道改变传入seed()的值，以后再改回来，random()生成的随机数序列仍然与之前所产生的序列相同
import numpy as np

np.random.seed(5)

for i in range(5):

    print(np.random.random())
如果这样设置，则seed只起到第一次作用，后续随机数则同。如果代码为：
import numpy as np

for i in range(5):

    np.random.seed(5)

    print(np.random.random())
这样则随机数产生的是相同的，所以如果想生成相同的随机数，必须在生成前布下种子。

参考文献

1、为什么你用不好Numpy的random函数？

2、Numpy之random学习

numpy之random学习的更多相关文章

  1. Numpy库的学习（三）

    今天我们继续学习一下Numpy库的学习 废话不多说 ,开始讲 比如我们现在想创建一个0-14这样一个15位的数组 可以直接写,但是很麻烦,Numpy中就给我们了一个方便创建的方法 numpy中有一个a ...

  2. 为什么你用不好Numpy的random函数？

    为什么你用不好Numpy的random函数? 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 ...

  3. Python——Numpy的random子库

    NumPy的random子库 np.random.* np.random.rand() np.random.randn() np.random.randint() import numpy as np ...

  4. numpy常用函数学习

    目录numpy常用函数学习点乘法线型预测线性拟合裁剪.压缩和累乘相关性多项式拟合提取符号数组杂项点乘法该方法为数学方法,但是在numpy使用的时候略坑.numpy的点乘为a.dot(b)或numpy. ...

  5. Numpy常用random随机函数汇总

    Numpy常用random下的随机函数汇总 官方文档地址:https://docs.scipy.org/doc/numpy-1.14.0/reference/routines.random.html ...

  6. Numpy库的学习（四）

    我们今天继续学习一下Numpy库 接着前面几次讲的,Numpy中还有一些标准运算 a = np.arange(3) print(a) print(np.exp(a)) print(np.sqrt(a) ...

  7. numpy, matplotlib库学习笔记

    Numpy库学习笔记: 1.array()   创建数组或者转化数组 例如,把列表转化为数组 >>>Np.array([1,2,3,4,5]) Array([1,2,3,4,5]) ...

  8. 科学计算和可视化（numpy及matplotlib学习笔记）

    网上学习资料:https://2d.hep.com.cn/1865445/9 numpy库内容: 函数 描述 np.array([x,y,z],dtype=int) 从Python列表和元组创造数组 ...

  9. 18-09-21 numpy 的基础学习01

    # 1关于numpy 的学习import numpy as np # 一 如何创建数组****# 1 有规律的一维数据的创建======# 1 range() 和arange() 区别 貌似没有区别l ...

随机推荐

  1. React中的“双向绑定”

    概述 React并不是一个MVVM框架,其实它连一个框架都算不上,它只是一个库,但是react生态系统中的flux却是一个MVVM框架,所以我研究了一下flux官方实现中的"双向绑定&quo ...

  2. Java学习笔记40（缓冲流）

    缓冲流: 在读写文件的各种流中,最令人烦恼的就是效率问题, 而缓冲流的目的就是提高读写效率 字节输出缓冲流: package demo; import java.io.BufferedOutputSt ...

  3. ajax无刷新技术

    第一步:创建ajax引擎 var xmlhttp=""; if(window.XMLHttpRequest){ xmlhttp=new XMLHttpRequest(); }els ...

  4. 13-部署traefik-ingress插件

    Kubernetes traefik ingress安装 Ingress简介 如果你还不了解,ingress是什么,可以先看下我翻译的Kubernetes官网上ingress的介绍Kubernetes ...

  5. vue 自动化部署 jenkins 篇

    前端项目打包部署,以前都是手工运行打包命令,打包结束后压缩,然后上传到服务器上解压部署.这种重复性的工作,确实有点让人烦,而且效率也不高. 本文基于 vue 的前端项目. GitHub 的代码仓库,简 ...

  6. C# DataGridView 在最左侧显示行号方法

    代码: private void dataGridView1_RowPostPaint(object sender, DataGridViewRowPostPaintEventArgs e) { Da ...

  7. Django -- 部署Django 静态文件不能获取

    # 在部署上下之后无法正常显示后台admin的静态文件 # 因为文件都在django内部,而在nginx中将配置都设置到一个位置: # 措施: 1.在settings.py文件中添加配置; STATI ...

  8. mongodb数据库添加权限及简单数据库命令操作笔记

    加固mongodb建议:修改数据库默认端口,添加数据库访问权限: 启动数据库(裸奔):C:\mongodb\bin>mongod --dbpath C:\MongoDB\data(同时用--db ...

  9. Java 容器源码分析之ArrayBlockingQueue和LinkedBlockingQueue

    Java中的阻塞队列接口BlockingQueue继承自Queue接口. BlockingQueue接口提供了3个添加元素方法. add:添加元素到队列里,添加成功返回true,由于容量满了添加失败会 ...

  10. Java 容器源码分析之Map-Set-List

    HashMap 的实现原理 HashMap 概述 HashMap 是基于哈希表的 Map 接口的非同步实现.此实现提供所有可选的映射操作,并允许使用 null 值和 null 键.此类不保证映射的顺序 ...