sklearn 随机分割数据_［sklearn］数据处理－－随机数

以下转自：http://www.cnblogs.com/lutingting/p/5185408.html

在python的程序中，发现了如下的伪随机数产生的代码

该段代码的目的是产生一个2行3列的assarray，其中的每个元素都是[0,1]区间的均匀分布的随机数

这里看以看到，有一个23355这个数字，其实，它是伪随机数产生器的种子，也就是“the starting point for a sequence of pseudorandom number”

对于某一个伪随机数发生器，只要该种子(seed)相同，产生的随机数序列就是相同的

以下转自：http://blog.csdn.net/m0_38061927/article/details/75335069

在使用Python进行数据处理时，往往需要用到大量的随机数据，那如何构造这么多数据呢？Python的第三方库numpy库中提供了random函数来实现这个功能。

本文将根据官方文档以及其他博友的博客一起来谈论常见的random函数以及使用

官方文档

首先说下numpy.random.seed()与numpy.random.RandomState()这两个在数据处理中比较常用的函数，两者实现的作用是一样的，都是使每次随机生成数一样，具体可见下图

1.numpy.random.rand()

官方文档中给出的用法是：numpy.random.rand(d0,d1,…dn)

以给定的形状创建一个数组，并在数组中加入在[0,1]之间均匀分布的随机样本。

用法及实现：

2.numpy.random.randn()

官方文档中给出的用法是：numpy.random.rand(d0,d1,…dn)

以给定的形状创建一个数组，数组元素来符合标准正态分布N(0,1)

若要获得一般正态分布

则可用sigma * np.random.randn(…) + mu进行表示 

用法及实现：

3.numpy.random.randint()

官方文档中给出的用法是：numpy.random.randint(low,high=None,size=None,dtype)

生成在半开半闭区间[low,high)上离散均匀分布的整数值;若high=None，则取值区间变为[0,low)

用法及实现

high=None的情形

high≠None

4.numpy.random.random_integers()

官方文档中给出的用法是：

numpy.random.random_integers(low,high=None,size=None)

生成闭区间[low,high]上离散均匀分布的整数值;若high=None，则取值区间变为[1,low]

用法及实现

high=None的情形

high≠None的情形

此外，若要将【a,b】区间分成N等分，也可以用此函数实现

a+(b-a)*(numpy.random.random_integers(N)-1)/(N-1)

5.numpy.random_sanmple()

官方文档中给出的用法是：

numpy.random.random_sample(size=None)

以给定形状返回[0,1)之间的随机浮点数

用法及实现

其他函数，numpy.random.random() ;numpy.random.ranf()

numpy.random.sample()用法及实现都与它相同

6.numpy.random.choice()

官方文档中给出的用法：

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

若a为数组，则从a中选取元素；若a为单个int类型数，则选取range(a)中的数

replace是bool类型，为True，则选取的元素会出现重复；反之不会出现重复

p为数组，里面存放选到每个数的可能性，即概率

用法及实现