基于Python实现的随机数生成采样,入门到精通

基于Python实现的随机数生成和采样

本文详细地介绍基于Python的第三方库random和numpy.random模块进行随机生成数据和随机采样的过程。

import random
import numpy as np
import pandas as pd

random模块

Python中的random模块实现了各种分布的伪随机数生成器。

random.random()

用于生成一个0到1的随机符点数: 0 <= n < 1.0

我们可以模仿多次，每次生成的结果是不同的：

random.random()

0.47917938679860983

random.random()

0.5609907030373721

random.uniform()

返回一个随机的浮点数

random.uniform(1,10)

6.001485472959377

同样的改变区间，每次生成不同的数据：

random.uniform(2,5)

3.9644214464183154

random.randint()

返回的是一个随机整数；重复操作生成不同的数据：

random.randint(1,10)

7

random.randint(2,7)

3

random.randrange()

random.randrange([start], stop[, step])

返回的结果就是一个数值

random.randrange(10)  # 默认起始值是0

1

random.randrange(1,10)  # 指定头尾

7

random.randrange(1,10,2)  # 指定步长

1

random.randrange(-6,-1)  # 范围为负数

-2

random.choices()

针对序列进行随机取数的一个函数

random.choices(sequence, weights=None, cum_weights=None, k=1)

• sequence：待抽取的序列；list，tuple，字符串等
• weights：列表是可以权衡每个值的可能性，可选
• cum_weights：列表是可以权衡每个值的可能性，只有这一次累积的可能性
• k：可选。一个定义返回列表长度的整数

来自中文官网的解释：docs.python.org/zh-cn/3/lib…

如果指定了 weight 序列，则根据相对权重进行选择。 或者，如果给出 cum_weights 序列，则根据累积权重（可能使用 itertools.accumulate() 计算）进行选择。

例如，相对权重[10, 5, 30, 5]相当于累积权重[10, 15, 45, 50]。 在内部，相对权重在进行选择之前会转换为累积权重，因此提供累积权重可以节省工作量。

1、针对列表的随机取数

# 1、列表
names = ["Mike","Tom","Peter","Jimmy"]
random.choices(names)

['Tom']

random.choices(names)

['Mike']

random.choices(names)

['Jimmy']

2、针对元组的随机取数：

# 2、元组
fruits = ("苹果","梨","葡萄","香蕉")
random.choices(fruits)

['梨']

random.choices(fruits)

['梨']

random.choices(fruits)

['葡萄']

3、针对字符串的随机取数：

# 3、字符串
address = "abcdefg"
random.choices(address)

['g']

重复操作返回不同的数据：

random.choices(address)

['a']

random.choice()

从序列中随机选取一个数据，返回的是一个字符，而不是列表

random.choice(names)  # choice

'Mike'

random.choice(fruits)  # choice

'苹果'

random.choice(address)  # choice

'a'

要注意random.choices返回的是列表：

random.choices(address)  # choices：返回列表

['g']

random.shuffle()

将一个列表（只针对列表）中的数据随机打乱

names  # 打乱前

['Mike', 'Tom', 'Peter', 'Jimmy']

random.shuffle(names)

names  # 打乱后

['Tom', 'Peter', 'Mike', 'Jimmy']

random.sample()

random.sample的函数原型为：random.sample(sequence, k)

从指定序列中随机获取指定长度的片断，sample函数不会修改原有序列。

用于无重复的随机抽样

number = [1,2,3,4,5,6,7,8,9,10]

# 从中随机选择6个数据
random.sample(number, 6)

[9, 6, 7, 4, 8, 3]

number  # 原数据是不变的

[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

random.seed

random.seed(a, version)：自定义随机数生成器的起始编号，保证每次运行的结果是相同的。就是我们通常理解的设置随机种子

同样的种子下操作3次，结果是相同的：

random.seed(3)
random.random()

0.23796462709189137

random.seed(3)
random.random()

0.23796462709189137

random.seed(3)
random.random()

0.23796462709189137

np.random模块

在numpy中同样也有一个random能够用于生成各种随机数据，同时也能够用于数据的随机采样

np.random.rand()

生成指定维度的的[0,1)范围之间的随机数，输入参数为维度

np.random.rand(3)  # 一维

array([0.56316478, 0.19472655, 0.77416481])

np.random.rand(3,2)  # 二维

array([[0.53948953, 0.28900922],
       [0.50819889, 0.87661466],
       [0.6275246 , 0.50510408]])

np.random.rand(3,2,2)  # 三维

array([[[0.07652093, 0.08418762],
        [0.26209203, 0.62653792]],

       [[0.35453925, 0.79562255],
        [0.38392161, 0.13594379]],

       [[0.76627042, 0.46727042],
        [0.71653905, 0.36350333]]])

random.randint()

具体语法为：

random.randint(low, high=None, size=None, dtype=int)

np.random.randint(10)  # 指定low

1

np.random.randint(2, 100)  # 指定low和high

2

np.random.randint(2,100,size=5)  # 指定size

array([45, 45, 17, 78, 72])

np.random.randint(2,100,5)  # 指定size

array([13, 61,  9, 77, 25])

np.random.randint(2,100,size=(5,3))  # 指定多维度size

array([[89,  4, 94],
       [96, 26, 76],
       [71,  2, 78],
       [26, 79, 68],
       [30, 85, 94]])

np.random.randn()

生成指定维度的服从标准正态分布的随机数，输入参数为维度

np.random.randn(3)  # 一维

array([ 0.86231343, -0.17504608, -1.18435821])

np.random.randn(2, 4)  # 二维

array([[ 0.6815724 , -0.40425239, -0.70292058,  1.50423829],
       [ 1.39392811,  1.21985809, -0.13557424,  0.01812161]])

np.random.random_integers()

返回范围为[low,high] 闭区间 随机整数；可放回的抽样取数

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

array([1, 1, 2, 1, 1])

np.random.random_integers(1,6,size=5)

array([5, 3, 5, 1, 1])

np.random.random_integers(1,6,size=8)

array([4, 2, 4, 2, 4, 3, 5, 6])

np.random.random()

返回0-1之间指定维度下的随机数

np.random.random(size=None)

np.random.random()

0.5446614807473444

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

array([[0.24849247, 0.24794785, 0.12318699],
       [0.38708798, 0.12982558, 0.67378513]])

np.random.random(size=(2,3,4))

array([[[0.34112893, 0.19507699, 0.0998322 , 0.1613075 ],
        [0.14750045, 0.64746506, 0.37992539, 0.96126298],
        [0.4169575 , 0.21279002, 0.84499108, 0.46106979]],

       [[0.35969999, 0.83434346, 0.435845  , 0.22377047],
        [0.49878421, 0.7140939 , 0.19513683, 0.90309624],
        [0.84402436, 0.94049321, 0.44680034, 0.12482742]]])

np.random.seed()

设置随机种子，保证每次的结果相同

np.random.seed(20)
np.random.random()

0.5881308010772742

np.random.seed(20)
np.random.random()

0.5881308010772742

np.random.seed(20)
np.random.random()

0.5881308010772742

np.random.choice()

从序列中随机选择数据，放回或者不放回可指定

np.random.choice(a, size = None, replace = True, p = None) 

p可以指定a中每个元素被选择的概率

# 等价于: np.random.randint(0,5,3)
np.random.choice(5, 3)

array([4, 2, 1])

下面通过一个详细的例子来说明各个参数的使用

numbers = [1,2,3,4,5,6,7,8,9,10]

np.random.choice(numbers)  # 抽一个数据

5

np.random.choice(numbers,size=5)  # 一维抽样

array([7, 8, 3, 1, 7])

np.random.choice(numbers,size=(2,4))  # 二维抽样

array([[ 9,  6,  4,  1],
       [ 7,  7,  1, 10]])

在无放回抽样中，取出来的数据是没有重复的：

# 无放回抽样
np.random.choice(
    numbers,
    size=5,
    replace=False  # 不放回
)

array([1, 5, 2, 9, 4])

还可以指定每个元素被抽取的概率，p中所有元素的和为1，且个数必须为待抽取的序列中的个数相同：

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

array([2, 2, 5])

np.random.standard_normal()

标准正态分布随机取数，就一个可选参数size，用来指定维度

np.random.standard_normal()

-2.098773908831827

np.random.standard_normal(10)

array([-1.85559768,  0.55097131, -0.36372358, -0.99642606, -1.1653022 ,
        1.30970062,  0.32287203,  0.64708367, -0.49947789, -0.38030095])

np.random.standard_normal(size=(3,2))

array([[ 1.60136877, -0.21666908],
       [-0.76330235,  1.4667905 ],
       [-0.45362263,  0.65496734]])

np.random.random_sample()

用于生成0-1之间的随机浮点数或者数组

np.random.random_sample()

0.29533501415054364

np.random.random_sample(size=(3,2))

array([[0.32882246, 0.26813417],
       [0.13655489, 0.37195498],
       [0.01574185, 0.34472747]])

np.random.shuffle()

对给定的数据进行重排序，如果数据为为多维数组，只沿第一条轴洗牌

names

['Tom', 'Peter', 'Mike', 'Jimmy']

np.random.shuffle(names)  # 第一次洗牌

names

['Peter', 'Tom', 'Mike', 'Jimmy']

np.random.shuffle(names)  # 第二次洗牌

names

['Tom', 'Jimmy', 'Mike', 'Peter']

当给定的数据是多维度的，该如何处理？

# 如果数据是多维度
data = np.random.random_sample(size=(3,2))
data

array([[0.64656729, 0.42563648],
       [0.51356833, 0.50125784],
       [0.03708381, 0.7081161 ]])

np.random.shuffle(data)  

data

array([[0.51356833, 0.50125784],
       [0.03708381, 0.7081161 ],
       [0.64656729, 0.42563648]])

np.random.permutation()

同样也是洗牌的过程，只是不会打乱原数据的顺序

names

['Tom', 'Jimmy', 'Mike', 'Peter']

permutation()没有改变names的顺序：

np.random.permutation(names)

array(['Peter', 'Jimmy', 'Mike', 'Tom'], dtype='<U5')

names

['Tom', 'Jimmy', 'Mike', 'Peter']

下面执行shuffle操作，已经改变了顺序：

np.random.shuffle(names)

names

['Tom', 'Peter', 'Jimmy', 'Mike']

如果你也想学习:黑客&网络安全

在这里领取：

这个是我花了几天几夜自整理的最新最全网安学习资料包免费共享给你们，其中包含以下东西：

1.学习路线&职业规划

2.全套体系课&入门到精通

3.黑客电子书&面试资料