numpy中np.random.rand()与np.random.randn()与range()与np.arange()

最新推荐文章于 2024-07-28 22:23:07 发布
最新推荐文章于 2024-07-28 22:23:07 发布
阅读量1.7k 收藏 6
点赞数 2
分类专栏： python 文章标签： python numpy
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wanglele1/article/details/101285956
版权

1，np.random.rand()

通过本函数可以返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1。在这里插入图片描述

2,np.random.randn()函数

通过本函数可以返回一个或一组服从标准正态分布的随机样本值。
在这里插入图片描述

3,range()与np.arange()区别

range()返回的是range object，而np.nrange()返回的是numpy.adarray()
range尽可用于迭代，而np.arange作用远不止于此，它是一个序列，可被当做向量使用。
range()不支持步长为小数，np.arange()支持步长为小数
在这里插入图片描述

王乐乐0727
关注
专栏目录
Numpy常用random随机函数
分享关于数据的知识。
01-19 8195
只要random.seed( * ) seed里面的值一样，那随机出来的结果就一样。所以说，seed的作用是让随机结果可重现。也就是说当我们设置相同的seed，每次生成的随机数相同。如果不设置seed，则每次会生成不同的随机数。使用同一个种子，每次生成的随机数序列都是相同的。
numpy中的random
heheda_22的博客
08-11 476
numpy.random.randn()与rand()的区别 numpy.random.randn(d0, d1, …, dn):返回一个样本，具有标准正态分布。 numpy.random.rand(d0, d1, …, dn):生成[0.0, 1.0)之间的随机浮点数,当没有参数时，返回一个随机浮点数，当有一个参数时，返回该参数长度大小的一维随机浮点数数组，参数建议是整数型。 arr1 = np.random.randn(2,4) print(arr1) print('******************
numpy.random.shuffle Python 中的range(),arange()函数
weixin_43312083的博客
08-14 970
numpy.random.shuffle numpy.random.shuffle(x) Modify a sequence in-place by shuffling its contents. 举例 Python 中的range,以及numpy包中的arange函数 range()函数 函数说明：range(start, stop[, step]) -> r...
numpy.random.rand、numpy.random.randn
Jq的博客
12-21 1069
numpy.random.rand(d0,d1,…,dn) 返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1 print(np.random.rand()) # 0.03675071889497428 print(np.random.rand(2)) # [0.97657898 0.0022022 ] print(np.random.rand(3,1)) # [[1.24188965e-04] [9.42082540e-01] [5.96394499e-0
猫头虎分享：Numpy知识点一文带你详细学习np.random.randn()
最新发布
猫头虎：授渔优于赠鱼，兴趣引领智慧，探索之乐尤显珍贵。商务合作：Libin9iOak，共赴知识与乐趣的探索之旅！
07-28 8771
是 Numpy 提供的一个函数，用于生成标准正态分布（均值为0，标准差为1）的随机数。标准正态分布：又称高斯分布，是概率论中非常重要的一种连续型分布。关键点说明基本用法生成标准正态分布的随机数多维数组生成可以生成任意形状的多维标准正态分布数组实际应用数据模拟、机器学习中的数据标准化等常见问题解答与的区别，生成的随机数分布特点等通过对的学习，我们了解了其基本用法、多维数组生成以及实际应用。这个函数在数据科学和机器学习中扮演着重要角色，掌握它将为你的项目带来极大帮助。
【Numpy】关于np.random.rand（）函数
sinat_38944746的博客
04-09 1万+
np.random.rand()函数 语法： np.random.rand(d0,d1,d2……dn) 注：使用方法与np.random.randn()函数相同 作用： 通过本函数可以返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1。 应用： 在深度学习的Dropout正则化方法中，可以用于生成dropout随机向量（dl），例如（keep_prob表...
np.random.randint 与 np.random.rand区别 前者返回为参数指定的范围区间的一个整数后者返回的为一个概率
studyvcmfc的专栏
08-26 762
np.random.randint 与 np.random.rand区别 前者返回为参数指定的范围区间的一个整数后者返回的为一个概率 import numpy as np num_lstm = np.random.randint(175, 275) print(num_lstm) print("np.random.rand()=",np.random.rand()) 1 numpy.random.randint(low,high=None,size=None,dtype='l')¶ ...
np.random.randint产生一个范围内的数据
春华秋实
10-23 1万+
在下面的例子中，生成一个15000到73001之间，398个数。 owners = np.random.randint(15000, high=73001, size=398, dtype='l') owners array([42103, 72637, 63969, 40944, 26670, 24258, 38820, 27586, 52873, 20782, 53
python中rand和randn_Numpy中np.random.rand()和np.random.randn() 用法和区别详解
weixin_34094559的博客
01-29 1221
numpy.random.rand(d0, d1, …, dn)的随机样本位于[0, 1)中：本函数可以返回一个或一组服从**“0~1”均匀分布**的随机样本值。numpy.random.randn(d0, d1, …, dn)是从标准正态分布中返回一个或多个样本值。1. np.random.rand()语法：np.random.rand(d0,d1,d2……dn)注：使用方法与np.random...
np.random.rand()与np.random.randn()
画地为牢的博客
06-20 2134
np.random.rand() 作用：生成[0,1)区间内一个或一组数值，服从均匀分布 使用方法： np.random.rand()：生成一个[0,1)区间均匀分布的随机数，示例： np.random.rand() Out[7]: 0.7309286434720168 np.random.rand(m, n)：生成m*n阶矩阵，矩阵内数值为[0,1)区间均匀分布的随机数，示例： np.random.rand(10,1) Out[8]: array([[0.50699708], [
python randn_numpy.random.randn()用法
weixin_32512261的博客
02-19 1209
在python数据分析的学习和应用过程中，经常需要用到numpy的随机函数，由于随机函数random的功能比较多，经常会混淆或记不住，下面我们一起来汇总学习下。import numpy as np1 numpy.random.rand()numpy.random.rand(d0,d1,…,dn)rand函数根据给定维度生成[0,1)之间的数据，包含0，不包含1dn表格每个维度返回值为指定维度的ar...
python中rand函数是什么意思_科学网-Python中*和**作用及随机数产生函数 np.random.rand()/numpy.random.unifo...-张伟的博文...
weixin_29769523的博客
01-29 1702
【第一部分】Python中的 * 和 ** ，能够让函数支持任意数量的参数，它们在函数定义和调用中，有着不同的目的!一. 打包参数* 的作用：在函数定义中，收集所有位置参数到一个新的元组，并将整个元组赋值给变量args>>>deff(*args):#*在函数定义中使用print(args)>>>f()()>>>f(1)(...
random模块与 numpy.random的区别
Jarrodche的博客
10-03 1514
介绍了random模块与 numpy.random的区别，详细说明了random模块与 numpy.random的各种方法
numpy：np.random.randn
NockinOnHeavensDoor的博客
12-22 638
numpy.random.randn numpy.random.randn(d0, d1, …, dn) 从标准正太分布里返回样本官网例子：#正态分布中的随机数 >>> np.random.randn() 2.1923875335537315 #random#生成（2,4）的矩阵： >>> 2.5 * np.random.randn(2, 4) + 3 array([[-4.49401501,
np.random.rand()和np.random.randn()区别
qq_40071150的博客
03-29 951
np.random.randn()函数 语法： np.random.randn(d0,d1,d2……dn) 1. 当函数括号内没有参数时，则返回一个浮点数； 2. 当函数括号内有一个参数时，则返回秩为1的数组，不能表示向量和矩阵； 3. 当函数括号内有两个及以上参数时，则返回对应维度的数组，能表示向量或矩阵； 4. np.random.standard_normal()函数与np.random.randn()类似，但是np.random.standard_normal()的输入参数为元组(tuple)。
np.random.rand() np.random.randn()区别
xu19950525的博客
07-16 587
np.random.rand() 产生的数据在0-1之间 np.random.randn()产生的数据波动范围比较大，如下。 [-2.83999612e-01 -6.45889683e-01] [ 5.66881393e-01 2.27962585e+00] [-1.95178567e+00 2.45278886e+00] [-9.18289389e-01 -5.20619377e-01] ...
np.random用法
synusk的博客
06-07 4750
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 例如： >>>np.random.rand(4,3,2） 生成一个shape为[4,3,2]的array，array中每个元素都是一个[0,1)之间的随机数 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 例如： >>>np.random.randn() ：没有参数，只返回单个数据 ..
Python 基础——range() 与 np.arange()
热门推荐
10-29 13万+
- `range()`返回的是`range object`，而`np.numpy()`返回的是`numpy.ndarray()` -`range()`不支持步长为小数，`np.arange()`支持步长为小数 - 两者都可用于迭代
pythonrandom rand_Python np.random.rand()和np.random.randn()
weixin_39839162的博客
11-21 308
原博文2020-04-01 12:40 −np.random.rand()返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1。np.random.randn()返回一个或一组服从标准正态分布的随机样本值。俩者用法相同。1、x_data = np.random.rand(...相关推荐2019-12-15 21:31 −import randomn1=rando...
翻译这段程序并自行赋值调用：import matplotlib.pyplot as plt import numpy as np import sklearn import sklearn.datasets import sklearn.linear_model def plot_decision_boundary(model, X, y): # Set min and max values and give it some padding x_min, x_max = X[0, :].min() - 1, X[0, :].max() + 1 y_min, y_max = X[1, :].min() - 1, X[1, :].max() + 1 h = 0.01 # Generate a grid of points with distance h between them xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) # Predict the function value for the whole grid Z = model(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) # Plot the contour and training examples plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral) plt.ylabel('x2') plt.xlabel('x1') plt.scatter(X[0, :], X[1, :], c=y, cmap=plt.cm.Spectral) def sigmoid(x): s = 1/(1+np.exp(-x)) return s def load_planar_dataset(): np.random.seed(1) m = 400 # number of examples N = int(m/2) # number of points per class print(np.random.randn(N)) D = 2 # dimensionality X = np.zeros((m,D)) # data matrix where each row is a single example Y = np.zeros((m,1), dtype='uint8') # labels vector (0 for red, 1 for blue) a = 4 # maximum ray of the flower for j in range(2): ix = range(Nj,N(j+1)) t = np.linspace(j3.12,(j+1)3.12,N) + np.random.randn(N)0.2 # theta r = anp.sin(4t) + np.random.randn(N)0.2 # radius X[ix] = np.c_[rnp.sin(t), rnp.cos(t)] Y[ix] = j X = X.T Y = Y.T return X, Y def load_extra_datasets(): N = 200 noisy_circles = sklearn.datasets.make_circles(n_samples=N, factor=.5, noise=.3) noisy_moons = sklearn.datasets.make_moons(n_samples=N, noise=.2) blobs = sklearn.datasets.make_blobs(n_samples=N, random_state=5, n_features=2, centers=6) gaussian_quantiles = sklearn.datasets.make_gaussian_quantiles(mean=None, cov=0.5, n_samples=N, n_features=2, n_classes=2, shuffle=True, random_state=None) no_structure = np.random.rand(N, 2), np.random.rand(N, 2) return noisy_circles, noisy_moons, blobs, gaussian_quantiles, no_structure
05-24
这段程序是一个分类模型的辅助函数，包括了绘制决策边界、sigmoid函数和加载数据集的函数。具体实现如下： ```python import matplotlib.pyplot as plt import numpy as np import sklearn import sklearn.datasets import sklearn.linear_model def plot_decision_boundary(model, X, y): # 设置最小值和最大值，并给它们一些填充 x_min, x_max = X[0, :].min() - 1, X[0, :].max() + 1 y_min, y_max = X[1, :].min() - 1, X[1, :].max() + 1 h = 0.01 # 生成一个网格，网格中点的距离为h xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h)) # 对整个网格预测函数值 Z = model(np.c_[xx.ravel(), yy.ravel()]) Z = Z.reshape(xx.shape) # 绘制轮廓和训练样本 plt.contourf(xx, yy, Z, cmap=plt.cm.Spectral) plt.ylabel('x2') plt.xlabel('x1') plt.scatter(X[0, :], X[1, :], c=y, cmap=plt.cm.Spectral) def sigmoid(x): s = 1 / (1 + np.exp(-x)) return s def load_planar_dataset(): np.random.seed(1) m = 400 # 样本数量 N = int(m / 2) # 每个类的样本数量 # 生成数据集 D = 2 # 特征维度 X = np.zeros((m, D)) # 特征矩阵 Y = np.zeros((m, 1), dtype='uint8') # 标签向量 a = 4 # 花的最大半径 for j in range(2): ix = range(N*j, N*(j+1)) t = np.linspace(j*3.12, (j+1)*3.12, N) + np.random.randn(N)*0.2 # theta r = a*np.sin(4*t) + np.random.randn(N)*0.2 # radius X[ix] = np.c_[r*np.sin(t), r*np.cos(t)] Y[ix] = j X = X.T Y = Y.T return X, Y def load_extra_datasets(): N = 200 noisy_circles = sklearn.datasets.make_circles(n_samples=N, factor=.5, noise=.3) noisy_moons = sklearn.datasets.make_moons(n_samples=N, noise=.2) blobs = sklearn.datasets.make_blobs(n_samples=N, random_state=5, n_features=2, centers=6) gaussian_quantiles = sklearn.datasets.make_gaussian_quantiles(mean=None, cov=0.5, n_samples=N, n_features=2, n_classes=2, shuffle=True, random_state=None) no_structure = np.random.rand(N, 2), np.random.rand(N, 2) return noisy_circles, noisy_moons, blobs, gaussian_quantiles, no_structure ``` 这段程序中包含了以下函数： - `plot_decision_boundary(model, X, y)`：绘制分类模型的决策边界，其中`model`是分类模型，`X`是特征矩阵，`y`是标签向量。 - `sigmoid(x)`：实现sigmoid函数。 - `load_planar_dataset()`：加载一个二维的花瓣数据集。 - `load_extra_datasets()`：加载五个其他数据集。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值