【Numpy】一文向您详细介绍 np.random.choice()

最新推荐文章于 2024-07-15 16:49:59 发布

高斯小哥

最新推荐文章于 2024-07-15 16:49:59 发布

阅读量2.2k

点赞数 15

分类专栏： Numpy 文章标签： numpy python 新手入门学习

本文链接：https://blog.csdn.net/qq_41813454/article/details/138288721

版权

Numpy 专栏收录该内容

73 篇文章 23 订阅

订阅专栏

【Numpy】一文向您详细介绍 np.random.choice()
在这里插入图片描述

🌈 欢迎莅临我的个人主页 👈这里是我静心耕耘深度学习领域、真诚分享知识与智慧的小天地！🎇

🎓 博主简介：985高校的普通本硕，曾有幸发表过人工智能领域的 中科院顶刊一作论文，熟练掌握PyTorch框架。

🔧 技术专长：在CV、NLP及多模态等领域有丰富的项目实战经验。已累计一对一为数百位用户提供近千次专业服务，助力他们少走弯路、提高效率，近一年好评率100% 。

📝 博客风采：积极分享关于深度学习、PyTorch、Python相关的实用内容。已发表原创文章500余篇，代码分享次数逾四万次。

💡 服务项目：包括但不限于科研入门辅导、知识付费答疑以及个性化需求解决。

欢迎添加👉👉👉底部微信（gsxg605888）👈👈👈与我交流
（请您备注来意）
（请您备注来意）
（请您备注来意）

🎲 一、np.random.choice()函数的引入

Numpy是Python中一个非常强大的科学计算库，它提供了大量的数学函数用于处理数组。其中，np.random.choice()函数是一个非常实用的函数，它用于从给定的一维数组中随机抽取元素。通过这个函数，我们可以很方便地进行随机采样或者随机选择操作。

📊 二、np.random.choice()函数的基本用法

np.random.choice()函数的基本用法非常简单。它接受一个一维数组作为输入，并返回一个随机选择的元素。

下面是一个简单的示例：

import numpy as np

arr = np.array([1, 2, 3, 4, 5])
chosen = np.random.choice(arr)
print(chosen)  # 输出可能是1到5之间的任意一个数字

在这个例子中，我们创建了一个包含数字1到5的一维数组arr，然后使用np.random.choice()函数从中随机选择了一个元素，并将其存储在变量chosen中。最后，我们打印出chosen的值，它将是1到5之间的任意一个数字。

🎯 三、np.random.choice()函数的参数详解

np.random.choice()函数还接受一些可选参数，用于控制随机选择的行为。

下面是一些常用的参数及其解释：
size：输出数组的形状。例如，size=3将返回一个包含3个随机选择元素的数组。
replace：是否允许重复选择。默认为True，即允许重复选择；如果设置为False，则进行无放回抽样。
p：与输入数组形状相同的概率数组。它指定了从每个元素中选择的概率。

下面是一个使用这些参数的示例：

import numpy as np

arr = np.array(['a', 'b', 'c', 'd'])

# 从arr中随机选择3个元素，允许重复
choices_with_replacement = np.random.choice(arr, size=3, replace=True)
print(choices_with_replacement)  # 输出可能是['a', 'b', 'c']、['a', 'a', 'd']等

# 从arr中随机选择3个元素，不允许重复（无放回抽样）
choices_without_replacement = np.random.choice(arr, size=3, replace=False)
print(choices_without_replacement)  # 输出可能是['a', 'b', 'c']、['b', 'd', 'a']等，且不会有重复元素

# 指定每个元素被选择的概率
probabilities = np.array([0.1, 0.1, 0.8, 0])
choices_with_probabilities = np.random.choice(arr, size=3, p=probabilities, replace=True)
print(choices_with_probabilities)  # 'c'被选中的概率最大，'d'不会被选中

📈 四、np.random.choice()函数在实际问题中的应用

np.random.choice()函数在实际问题中有着广泛的应用。例如，在机器学习中，我们经常需要从数据集中随机选择样本进行训练或测试；在统计学中，我们可以使用它进行随机抽样或模拟实验；在算法竞赛中，它也可以用于生成随机测试用例等。

下面是一个简单的机器学习示例，使用np.random.choice()从数据集中随机选择训练样本：

import numpy as np

# 假设我们有一个数据集X和对应的标签y
X = np= np.array([[1, 2], [3, 4], [5, 6], [7, 8], [9, 10]])
y = np.array([0, 1, 0, 1, 0])

# 假设我们想要随机选择3个样本作为训练集
num_train_samples = 3
train_indices = np.random.choice(len(X), size=num_train_samples, replace=False)
X_train = X[train_indices]
y_train = y[train_indices]

print("训练集X:")
print(X_train)
print("训练集y:")
print(y_train)

在这个例子中，我们首先创建了一个包含5个样本的数据集X和对应的标签y。然后，我们使用np.random.choice()函数从数据集的索引中随机选择了3个不重复的索引，作为训练集的样本索引。最后，我们根据这些索引从原始数据集中提取出训练集的样本X_train和标签y_train。

💡 五、np.random.choice()函数的扩展与变体

除了基本的np.random.choice()函数，Numpy还提供了其他一些与随机选择相关的函数和变体，用于满足更复杂的需求。例如，np.random.shuffle()函数可以用于原地打乱数组的顺序，np.random.permutation()函数可以返回一个随机排列的数组索引等。这些函数可以与np.random.choice()结合使用，实现更灵活的数据处理操作。