[スイッチ] numpy.random.randn（）使用

Pythonのデータ解析の研究や応用では、多くの場合、我々はより多くの場合、混乱やさんは、研究対象の概要を取らせ、思い出すことができないランダム関数ランダム関数によるランダム関数numpyのを、使用する必要があります。

import numpy as np

1 numpy.random.rand（）

numpy.random.rand（D0、D1、...、DN）

• 0を含む所定の寸法[0,1）のデータを、生成するrand関数、1は含みません
• 各ディメンション表DN
• 戻り値は、所与の次元アレイであります

np.random.rand(4,2)

アレイ（[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 

アレイ（[[[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 numpy.random.randn（）

numpy.random.randn（D0、D1、...、DN）

• または関数randnは、標準正規分布と、サンプルのセットを返します。
• 各ディメンション表DN
• 戻り値は、所与の次元アレイであります

np.random.randn() # 当没有参数时，返回单个数据

-1.1241580894939212

np.random.randn(2,4)

アレイ（[0.27795239、-2.57882503、0.3817649、1.42367345]
[-1.16724625、-0.22408299、0.63006614、-0.41714538]]）

np.random.randn(4,3,2) 

アレイ（[[[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]]]）

標準正規分布を導入

• 正規分布の標準正規分布を--Standard
• Uは、また、標準正規分布としても知られ、平均が0の正規分布の標準偏差として1であり、N（0,1）と称される。

3 numpy.random.randint（）

3.1 numpy.random.randint（）

numpy.random.randint（ロー、ハイ=なし、サイズ=なし、DTYPE = 'L'）

• ローを含む戻り範囲間隔[低、高）のランダムな整数は、高が含まれていません
• パラメータ：低い最小値、最大値、高、サイズは、アレイの寸法、DTYPEデータタイプのサイズであり、デフォルトのデータ・タイプはnp.intあります
• 高充填されていない場合、デフォルトの乱数発生範囲は[0、低いです）

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)) 

アレイ（[2、-1]、
[2,0]）

3.2 numpy.random.random_integers

numpy.random.random_integers（ロー、ハイ=なし、サイズ=なし）

• 低および高を含む、範囲の区間[低、高]にランダムな整数を返します
• パラメータ：低い最小値、高い最大値、サイズは、配列の次元のサイズであります
• 高充填されていない場合、デフォルトの乱数発生範囲は[1、低]

この関数は、numpyの推奨randint機能の最新バージョンに置き換えられています

np.random.random_integers(1,size=5)

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

図4は、フロート[0,1）の間を生成します

• numpy.random.random_sample（サイズ=なし）
• numpy.random.random（サイズ=なし）
• numpy.random.ranf（サイズ=なし）
• numpy.random.sample（サイズ=なし）

印刷（ '----------- random_sample --------------'）
プリント（np.random.random_sample（サイズ=（ 2、2）））
印刷（ '-----------ランダム--------------'）
プリント（np.random.random（サイズ=（ 2、2）））
印刷（ '----------- RANF --------------'）
プリント（np.random.ranf（サイズ=（ 2、2）））
印刷（ '-----------サンプル--------------'）
プリント（np.random.sample（サイズ=（ 2、2）））

----------- random_sample --------------
[0.34966859 0.85655008]
【0.16045328 0.87908218]
- - - - - -ランダム - - - - - - -
[0.25303772 0.45417512]
【0.76053763 0.12454433]
----------- RANF --------------
[0.0379055 0.51288667]
【0.71819639 0.97292903]
- - - - - -サンプル - - - - - - -
[0.59942807 0.80211491]
【0.36233939 0.12607092]

5 numpy.random.choice（）

numpy.random.choice（サイズ=なし、置き換える= Trueの場合、P =なし）

• それは、与えられた一次元配列から乱数を生成します
• パラメータ：同様のデータまたは整数の一次元アレイと、アレイの次元のサイズ、pはデータアレイの発生確率であります
• 整数、np.arangeの対応する一次元アレイです（）

np.random.choice(5,3)

array([4, 1, 4])

np.random.choice（ 5、3、=置き換え偽）
Falseの場合は交換してください＃、生成された乱数値が重複することはできません

array([0, 3, 1])

np.random.choice(5,size=(3,2)) 

アレイ（[1,0]
[4,2]
[3,3]）

demo_list = [ 'レノボ'、'sansumg'、'モト'、'小米科技'、'iPhone']
np.random.choice（demo_list、サイズ=（ 3、3））

アレイ（[ 'MOTO'、'iPhone'、'小米科技']、
【 「レノボ」、「小米科技」、「小米科技」]、
【 '小米科技'、'レノボ'、'iPhone']]、
DTYPE = '<U7'）

• パラメータpの長さは、パラメータの長さが一致する必要があります。
• パラメータPは確率で、データのpは、1の合計でなければなりません

demo_list = [ 'レノボ'、'sansumg'、'モト'、'小米科技'、'iPhone']
np.random.choice（demo_list、サイズ=（ 3、3）、P = [ 0.1、0.6、0.1、0.1、0.1]）

アレイ（[ 'sansumg'、'sansumg'、'sansumg']、
【 'sansumg'、'sansumg'、'sansumg']、
【 'sansumg'、'小米科技'、'iPhone']]、
DTYPE = '<U7'）

6 numpy.random.seed（）

• アクションnp.random.seedは（）：ランダムなデータは、その予測かもしれません。
• 私たちは同じシードを設定すると、同じ乱数がするたびに生成しました。シードを設定していない場合は、毎回異なる乱数を生成します

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 ])    
转：https://blog.csdn.net/u012149181/article/details/78913167