Python Numpy随机数总结——numpy.random.rand/randn/randint/random/uniform/seed

最新推荐文章于 2024-02-06 10:26:04 发布

THEAQING

最新推荐文章于 2024-02-06 10:26:04 发布

阅读量2.5w

点赞数 18

分类专栏： Python 文章标签：随机数 Python numpy

本文链接：https://blog.csdn.net/sinat_28576553/article/details/82926047

版权

Python 专栏收录该内容

15 篇文章 65 订阅

订阅专栏

在学习一些算法的时候，经常会使用一些随机数来做实验，或者说用随机数来添加一些噪声。

下面就总结我平常用到的几个numpy.random库中的随机数和seed函数。

1. rand基本用法

2. randn基本用法

3. 指定数学期望和方差的正态分布

4. random基本用法及和rand的辨析

5. randint基本用法

6. uniform基本用法

7. seed基本用法

1. rand基本用法

numpy.random.rand(d0, d1, …, dn)，产生[0,1)之间均匀分布的随机浮点数，其中d0，d1....表示传入的数组形状。

示例1

import numpy as np

#产生形状为(2,)的数组，也就是相当于有2个元素的一维数组。
temp=np.random.rand(2)
print(temp)  #[0.70284298 0.40041697]
print(type(temp)) # 查看数据类型，<class 'numpy.ndarray'>
print(temp[0])  #查看第一个数
print(type(temp[0])) #查看具体元素的数据类型，<class 'numpy.float64'>

'''
结果如下：
[0.70284298 0.40041697]
<class 'numpy.ndarray'>
0.7028429826756175
<class 'numpy.float64'>
'''

示例2

#产生一个2*4的数组，数组中的每个元素是[0,1)之间均匀分布的随机浮点数
temp=np.random.rand(2,4)
print(temp)
#查看一下数据类型
print(type(temp))


'''
结果如下所示：

[[0.39921792 0.42280677 0.32486705 0.02898902]
 [0.78987787 0.93125733 0.30446905 0.27728128]]
<class 'numpy.ndarray'>

'''

示例3

在rand()里面也可以没有参数，返回一个[0,1)之间的随机浮点数。

#产生一个[0,1)之间的随机数
temp=np.random.rand() #0.6143086490875544
print(temp) #<class 'float'>
print(type(temp)) # 查看数据类型，<<class 'float'>

2. randn基本用法

numpy.random.randn(d0, d1, …, dn)从标准正态分布中返回一个或多个样本值。参数表示样本的形状。所谓标准正态分布就是指这个函数产生的随机数，服从均值为0，方差为1的分布，使用方法和rand()类似。

arr1=np.random.randn(2,4)  #二行四列，或者说一维大小为2，二维大小为4
#均值为0，方差为1
print(arr1)
print(type(arr1)) #<class 'numpy.ndarray'>

arr2=np.random.rand()
print(arr2) #0.37338593251088137
print(type(arr2))  #<class 'float'>


'''
结果如下：

[[ 0.56538481  0.41791992  0.73515441  1.73895318]
 [ 2.27590795 -1.17933538 -1.02008043  0.15744222]]
<class 'numpy.ndarray'>
0.37338593251088137
<class 'float'>

'''

3. 指定数学期望和方差的正态分布

很多时候，我们不满足于仅仅产生服从标准正态分布的一组随机数，而是希望能够灵活的指定均值和方差，可用如下方法实现：

For random samples from N(mu, sigma^2), use:

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

如果希望产生的一组随机数，服从均值为mu，方差为sigma^2的正态分布，可以用上述公式完成。

#Two-by-four array of samples from N(3, 6.25):
arr3=2.5 * np.random.randn(2,4)+3  #2.5是标准差，3是期望
print(arr3)


"""
结果如下：

[[ 2.58150052  6.20108311  1.58737197  9.64447208]
 [ 2.68126136  0.63854145 -1.34499681  1.68725191]]

"""

4. random基本用法及和rand的辨析

numpy.random.random()方法返回随机生成的一个实数（浮点数），它在[0,1)范围内。

示例：

import numpy as np

x1=np.random.random()
print(x1)  #0.14775128911185142
print(type(x1))  #<class 'float'>

x2=np.random.random((3,3))
print(x2)
'''
[[0.07151945 0.00156449 0.66673237]
 [0.89764384 0.68630955 0.21589147]
 [0.50561697 0.27617754 0.5553978 ]]
'''
print(type(x2))  #<class 'numpy.ndarray'>
print(x2[1,1])  #0.68630955

注意:

这边需要注意的是这个函数的参数，只有一个参数“size”，有三种取值，None，int型整数，或者int型元组。

而在之前的numpy.random.rand()中可以有多个参数。

比方说，如果我们要产生一个2*4的随机数组(不考虑服从什么分布)，那么在rand中的写法是：numpy.random.rand(2,4)，而在random中的写法是numpy.random.random( (2,4) )，这里面是个元组，是有小括弧的。

temp1=np.random.random()
print(temp1)
print(type(temp1))

"""
参数为None，返回一个随机数。
0.06708973062154777
<class 'float'>
"""

#int整数和只有一维的int元组，效果一致

temp2=np.random.random(5)
print(temp2)
print(type(temp2))

temp3=np.random.random((5,))
print(temp3)
print(type(temp3))

'''
[0.69630427 0.35781327 0.17793115 0.24212922 0.51985133]
<class 'numpy.ndarray'>

[0.37211634 0.12352443 0.59535439 0.63269044 0.21921476]
<class 'numpy.ndarray'>
'''

temp4=np.random.random((2,4))
print(temp4)

'''
[[0.06215506 0.30826882 0.28453145 0.34466641]
 [0.84119912 0.81675337 0.27229602 0.21637321]]
'''

当然元组可以是多维的，不止二维，但是用的相对较少。

这个函数基础是产生[0,1)之间的随机数，但是我们可以通过其他方式，改变这个范围。

比如，我们要产生[-5,0)之间的随机数，可以这样：5 * numpy.random.random( (3,2) )-5。乘5后范围变成了[0,5)，再减5范围变成了[-5,0)。

temp5=5 * np.random.random_sample((3, 2)) - 5
print(temp5)

'''
[[-0.6397764  -3.58968428]
 [-2.7789179  -4.74474732]
 [-1.7913781  -1.78819213]]
'''

和rand()的辨析。

一个是参数类型的不同，前文已经提到。

然后参看官方的帮助文档；

random：Return random floats in the half-open interval [0.0, 1.0).

rand：Create an array of the given shape and populate it with random samples from a uniform distribution over ``[0, 1)``.

英文这种东西，只可意会。不可翻译。

5. randint基本用法

用于生成指定范围内的整数。

具体函数：randint(low, high=None, size=None, dtype='l')

其中low是整型元素，表示范围的下限，可以取到。high表示范围的上限，不能取到。也就是左闭右开区间。

high没有填写时，默认生成随机数的范围是[0，low)

size可以是int整数，或者int型的元组，表示产生随机数的个数，或者随机数组的形状。

dtype表示具体随机数的类型，默认是int，可以指定成int64。

示例1：

#产生一个[0,10)之间的随机整数
temp1=np.random.randint(10)
print(temp1)
print(type(temp1))  #<class 'int'>

'''
5
<class 'int'>
'''

可以看出默认类型是int型，可以指定成int64.

示例2：

temp2=np.random.randint(10,dtype="int64")
print(type(temp2))

'''
<class 'numpy.int64'>
'''

示例3：

#产生[0,10)之间的随机整数8个，以数组的形式返回
temp3=np.random.randint(10,size=8)
print(temp3)
'''
[6 6 0 3 4 2 5 3]
'''

temp4=np.random.randint(10,size=(2,4))
print(temp4)
'''
[[7 5 4 5]
 [5 2 7 6]]
'''

示例4：

temp5=np.random.randint(5,10,size=(2,4))
print(temp5)

'''
[[8 5 8 6]
 [9 8 6 9]]
'''

6. uniform基本用法

从指定范围内产生均匀分布的随机浮点数。

函数：uniform(low=0.0, high=1.0, size=None)

low表示范围的下限，float型，或float型数组，默认为0.0.

high表示范围的上限，float型，或float型数组，默认为1.0.

size表示“形状”或“个数”，int型，或int型元组，默认为None。

示例1：

#默认产生一个[0,1)之间随机浮点数
temp=np.random.uniform()
print(temp) #0.9520851072880187

示例2：

temp=np.random.uniform(1,5,size=5)
print(temp)
'''
[4.94143282 1.56775945 3.74670851 4.06208558 1.25997891]
'''

temp=np.random.uniform(1,5,size=(2,4))
print(temp)
'''
[[2.3823538  3.09401949 3.92113219 1.0436445 ]
 [1.28329041 1.17418269 2.68699106 4.94529039]]
'''

拓展1

我想到一个问题，如果表示范围的数只有一个是什么意思？

help查看文档，low和size都是optional，那只有一个数应该表示为上限，但是实验结果并非如此：

temp=np.random.uniform(1.0001,size=10000000)
print(temp)
print(np.all(temp>= 1))
print(np.all(temp<1.0001))

'''
[1.00002898 1.00007222 1.00000062 ... 1.00008765 1.00002739 1.00004577]
True
True
'''

temp=np.random.uniform(0.99,size=10000000)
print(temp)
print(np.all(temp>= 0.99))
print(np.all(temp<1))

'''
[0.9928493  0.99711935 0.99146187 ... 0.9945594  0.99915136 0.99305246]
True
True
'''

temp=np.random.uniform(1,size=10000000)
print(temp)
print(np.all(temp==1))

'''
[1. 1. 1. ... 1. 1. 1.]
True
'''

由上面代码，得出结果，如果范围只有一个参数num，

如果num小于1，那么随机数的范围是[0,num)

如果num大于1，那么随机数的范围是[1,num)

如果num等于1，那么产生的随机数全是1。

拓展2

help显示low和high还可以是一个浮点数类型的数组。

就探究了一下到底是什么回事。

temp=np.random.uniform(low=[1.1, 2.1, 3.1, 4.1],high=[1.2, 2.2, 3.2, 4.2])  
print(temp)

'''
[1.17724259 2.19548916 3.16775407 4.12345112]
'''

可以看出第一个数的范围1.1和1.2之间，第二个数在2.1到2.2之间，…………

不出意外应该也是左闭右开。

在这种情况下，添加size，只能是一维的，并且大小要对应。

在上面的这段代码中，size=4 和 size=(4,) 和 size=(1,4)是正确的。size=(2,2),size=(4,1)提示错误。

7. seed基本用法

np.random.seed()，使得随机数据可预测。

如果在seed()中传入的数字相同，那么接下来生成的随机数序列都是相同的，仅作用于最接近的那句随机数产生语句。

np.random.seed(10)
temp1=np.random.rand(4)
print(temp1)
np.random.seed(10)
temp2=np.random.rand(4)
print(temp2)

#这句就不一样的，因为仅作用于最接近的那句随机数产生语句
temp3=np.random.rand(4)
print(temp3)

'''
[0.77132064 0.02075195 0.63364823 0.74880388]
[0.77132064 0.02075195 0.63364823 0.74880388]
[0.49850701 0.22479665 0.19806286 0.76053071]
'''

暂时就用到这些。之后用到了再更新。

行笔匆忙，欢迎指错。

THEAQING

关注

18
点赞
踩
50

收藏

觉得还不错? 一键收藏
2
评论
Python Numpy随机数总结——numpy.random.rand/randn/randint/random/uniform/seed

在学习一些算法的时候，经常会使用一些随机数来做实验，或者说用随机数来添加一些噪声。下面就总结我平常用到的几个numpy.random库中的随机数和seed函数。目录1. rand基本用法2. randn基本用法3. 指定数学期望和方差的正态分布4. random基本用法及和rand的辨析5. randint基本用法6. uniform基本用法7. seed基本用...
复制链接

扫一扫