numpy.random.uniform介绍

numpy.random.uniform介绍:

1. 函数原型:  numpy.random.uniform(low,high,size)

功能:从一个均匀分布[low,high)中随机采样,注意定义域是左闭右开,即包含low,不包含high.

参数介绍:
    
    low: 采样下界,float类型,默认值为0;
    high: 采样上界,float类型,默认值为1;
    size: 输出样本数目,为int或元组(tuple)类型,例如,size=(m,n,k), 则输出m*n*k个样本,缺省时输出1个值。

返回值:ndarray类型,其形状和参数size中描述一致。

这里顺便说下ndarray类型,表示一个N维数组对象,其有一个shape(表维度大小)和dtype(说明数组数据类型的对象),使用zeros和ones函数可以创建数据全0或全1的数组,原型:

    numpy.ones(shape,dtype=None,order='C'),
其中,shape表数组形状(m*n),dtype表类型,order表是以C还是fortran形式存放数据。

2. 类似uniform,还有以下随机数产生函数:

    a. randint: 原型:numpy.random.randint(low, high=None, size=None, dtype='l'),产生随机整数;
    b. random_integers: 原型: numpy.random.random_integers(low, high=None, size=None),在闭区间上产生随机整数;
    c. random_sample: 原型: numpy.random.random_sample(size=None),在[0.0,1.0)上随机采样;
    d. random: 原型: numpy.random.random(size=None),和random_sample一样,是random_sample的别名;
    e. rand: 原型: numpy.random.rand(d0, d1, ..., dn),产生d0 - d1 - ... - dn形状的在[0,1)上均匀分布的float型数。
    f. randn: 原型:numpy.random.randn(d0,d1,...,dn),产生d0 - d1 - ... - dn形状的标准正态分布的float型数。

3. Examples:
        例一: “画柱状图”

# -*- coding: utf-8 -*-
import matplotlib.pyplot as plt
import numpy as np

s = np.random.uniform(0,1,1200)      # 产生1200个[0,1)的数
count, bins, ignored = plt.hist(s, 12, normed=True)
 """
 hist原型:
         matplotlib.pyplot.hist(x, bins=10, range=None, normed=False, weights=None,
         cumulative=False, bottom=None, histtype='bar', align='mid', 
         orientation='vertical',rwidth=None, log=False, color=None, label=None, 
         stacked=False, hold=None,data=None,**kwargs)

 输入参数很多,具体查看matplotlib.org,本例中用到3个参数,分别表示:s数据源,bins=12表示bin 
 的个数,即画多少条条状图,normed表示是否归一化,每条条状图y坐标为n/(len(x)`dbin),整个条状图积分值为1

 输出:count表示数组,长度为bins,里面保存的是每个条状图的纵坐标值
      bins:数组,长度为bins+1,里面保存的是所有条状图的横坐标,即边缘位置
      ignored: patches,即附加参数,列表或列表的列表,本例中没有用到。
"""
plt.plot(bins, np.ones_like(bins), linewidth=2, color='r')
plt.show()

绘制结果如下图:



例二: “画正态分布柱状图”

# -*- coding: utf-8 -*-
import matplotlib.pyplot as plt
import numpy as np
import matplotlib.mlab as MLA

mu, sigma = 10, 10
x = mu + sigma*np.random.randn(5000)

# the histogram of the data
n, bins, patches = plt.hist(x, 20, normed=1, facecolor='blue', alpha=0.8)

# add a 'best fit' line
y = MLA.normpdf( bins, mu, sigma)
"""
normpdf函数原型:
        matplotlib.mlab.normpdf(x, *args)
功能:Return the normal pdf evaluated at x; args provides mu, sigma
"""
l = plt.plot(bins, y, 'g--', linewidth=3)

plt.xlabel('samples')
plt.ylabel('p')
plt.title(r'$Normal\ pdf\ m=10,\ \sigma=10$')
plt.axis([-30, 50, 0, 0.042])
plt.grid(True)
plt.show()

结果如下图:


4. numpy.random.RandomState介绍:

   英文简介:“Container for the Mersenne Twister pseudo-random number generator.” 翻译过来为:

              它是一个容器,用来存储采用梅森旋转产生伪随机数的算法。

   输入参数:seed,可选项{None, int, array_like},没有给定的话,函数随机选一个起始点,
             这样深度学习的结果可能接近,但不完全相同,如果给定一个seed,则结果是deterministic,
             是确定的,但给定不给定seed对输出随机数并没有影响,只是相当于给定了一个初始点,后面
             的数也是基于这个seed而产生。

Reference:

          1. http://docs.scipy.org/doc/numpy/reference/generated/numpy.random.uniform.html
 
          2. http://stackoverflow.com/questions/33209865/the-usage-of-randomstate-in-numpy
             -related-to-seed

展开阅读全文

没有更多推荐了,返回首页