Numpy 学习专题（七）—— 随机抽样

一、随机抽样

• numpy.random.seed(seed=None)
seed()用于指定随机数生成时所用算法开始的整数值。如果使用相同的seed()值，则每次生成的随机数都相同，如果不设置这个值，则系统根据时间来自己选择这个值，此时每次生成的随机数因时间差异而不同。

二、离散型随机变量

1.二项分布

二项分布可以用于只有一次实验只有两种结果，各结果对应的概率相等的多次实验的概率问题。比如处理猜10次拳赢6次的概率等类似的问题。
numpy.random.binomial(n, p, size=None)表示对一个二项分布进行采样，size表示采样的次数，n表示做了n重伯努利试验，p表示成功的概率，函数的返回值表示n中成功的次数。

np.random.seed(20201125)
n = 3  # 做某件事情的次数,这里是投三次硬币
p = 0.5  # 做某件事情成功的概率，在这里即投硬币为正面的概率
size = 5  # 实验次数，共实验五次，每次实验投掷三次硬币
x = np.random.binomial(n, p, size)
print(x)  # [2 0 1 3 2]
# 表示第一次实验中有两次硬币为正面，第二次实验中有0次硬币为正面，以此类推。

2.泊松分布

泊松分布主要用于估计某个时间段某事件发生的概率。
numpy.random.poisson(lam=1.0, size=None)表示对一个泊松分布进行采样，size表示采样的次数，lam表示一个单位内发生事件的平均值，函数的返回值表示一个单位内事件发生的次数。

np.random.seed(20200605)
lam = 42 / 6  # 平均值：平均每十分钟接到42/6次订票电话
size = 5  # 实验五次
x = np.random.poisson(lam, size)
print(x)  # [ 6  3  9  7 10]
# 第一次实验，十分钟内接到电话6次
# 第二次实验，十分钟内接到电话3次
# 以此类推
# 平均每十分钟接到电话42/6次

3.超几何分布

在超几何分布中，各次实验不是独立的，各次实验成功的概率也不等。
numpy.random.hypergeometric(ngood, nbad, nsample, size=None)表示对一个超几何分布进行采样，size表示采样的次数，ngood表示总体中具有成功标志的元素个数，nbad表示总体中不具有成功标志的元素个数，ngood+nbad表示总体样本容量，nsample表示抽取元素的次数（小于或等于总体样本容量），函数的返回值表示抽取nsample个元素中具有成功标识的元素个数。

# 一共20只动物里有7只是狗，求抽取12只动物，有3只狗的概率（无放回抽样）。
np.random.seed(20200605)
size = 5  # 共实验五次，每次抽取12只动物
x = np.random.hypergeometric(ngood=7, nbad=13, nsample=12, size=size)
print(x)  # [5 5 3 2 4]
print(np.sum(x==3)/size)
# 第一次实验，抽取的12只动物中有5只是狗
# 第三次实验，抽取的12只动物中有3只是狗
# 求抽取12只动物，有3只狗的概率为：x中3出现的次数 除以 实验总次数size。即np.sum(x==3)/size

三、连续型随机变量

1.均匀分布

numpy.random.uniform(low=0.0, high=1.0, size=None)

np.random.seed(20200614)
a = 0
b = 100
size = 100000  # 共实验100000次
x = np.random.uniform(a, b, size=size)
y = (np.sum(x < 50) - np.sum(x < 10)) / size
print(y)  # 0.40145，10到50出现的次数占总实验次数的百分之四十，说明满足均匀分布
plt.hist(x, bins=20)
plt.show()  # 如下图所示，100000次实验中每个数值出现的次数基本相同，说明符合0-100内的均匀分布。

2.正态分布

numpy.random.normal(loc=0.0, scale=1.0, size=None)normal()为创建均值为 loc（mu），标准差为 scale（sigma），大小为 size 的数组。

np.random.seed(20200614)
size = 50000
x = np.random.normal(loc=1, scale=0.5, size=size)  # 均值为1，标准差为0.5
y1 = (np.sum(x < 1) - np.sum(x < -1)) / size
y2 = (np.sum(x < 2) - np.sum(x < -2)) / size
y3 = (np.sum(x < 3) - np.sum(x < -3)) / size
print(y1)  # 0.68596
print(y2)  # 0.95456
print(y3)  # 0.99744
plt.hist(x, bins=20)
plt.show()

四、其他随机函数

1. 随机从序列中获取元素

• numpy.random.choice(a, size=None, replace=True, p=None)
  从序列中获取元素，若a为整数，元素取值从np.range(a)中随机获取；若a为数组，取值从a数组元素中随机获取。该函数还可以控制生成数组中的元素是否重复replace，以及选取元素的概率p。

np.random.seed(20200614)

x = np.random.choice(10, 3)  # 从0-10中随机选数，共选3次
print(x)  # [2 0 1]

x = np.random.randint(0, 10, 3)  # 从0-10中随机选数，共选3次
print(x)  # [2 0 1]

x = np.random.choice(10, 3, p=[0.05, 0, 0.05, 0.9, 0, 0, 0, 0, 0, 0])  # p表示选取元素的概率
print(x)  # [3 2 3]

x = np.random.choice(10, 3, replace=False, p=[0.05, 0, 0.05, 0.9, 0, 0, 0, 0, 0, 0])  # replace=False表示选取元素不可重复
print(x)  # [3 0 2]

aa_milne_arr = ['pooh', 'rabbit', 'piglet', 'Christopher']
x = np.random.choice(aa_milne_arr, 5, p=[0.5, 0.1, 0.1, 0.3])
print(x) # ['pooh' 'rabbit' 'pooh' 'pooh' 'pooh']

2. 对数据集进行洗牌操作

• numpy.random.shuffle(x)
  对x进行重排序，如果x为多维数组，只沿第 0 轴洗牌，改变原来的数组，输出为None。
  数据一般都是按照采集顺序排列的，但是在机器学习中很多算法都要求数据之间相互独立，所以需要先对数据集进行洗牌操作。

np.random.seed(20200614)

x = np.arange(10)
print(x)
# [0 1 2 3 4 5 6 7 8 9]

np.random.shuffle(x)
print(x)
# [6 8 7 5 3 9 1 4 0 2]

x = np.arange(20).reshape((5, 4))
print(x)
# [[ 0  1  2  3]
#  [ 4  5  6  7]
#  [ 8  9 10 11]
#  [12 13 14 15]
#  [16 17 18 19]]

np.random.shuffle(x)  # 仅沿第0轴洗牌
print(x)
# [[ 4  5  6  7]
#  [ 0  1  2  3]
#  [ 8  9 10 11]
#  [16 17 18 19]
#  [12 13 14 15]]