python取随机数并按顺序排列_Python分布随机数的生成和对数据框的逆序排列

Python分布随机数的生成和对数据框的逆序排列

(Reverse Pandas Data Frame)

在网上看到了Erik Marsja博客中提到对数据框进行逆序排序的方法，受益匪浅，于是通过以下笔记记录了reverse的内容和注释方便查阅，顺便简单介绍numpy中的两种生成随机数的方法。

具体参见Erik的博客

生成随机数

据过程中使用到的两种生成随机数的方法，分别是normal和binomial，详情如下。

1.np.random.normal

np.random.normal的作用是获取正态(高斯)分布上的随机样本点。正态分布在自然界中经常发生。例如，它描述了受大量微小、随机干扰影响的样本的常见分布，在这里给出正态分布的密度函数及其解释，如下：

为均值；

为标准差。

与正态分布对应，函数格式为：numpy.random.normal(loc=0.0, scale=1.0, size=None)¶ 参数解释如下：

loc：分布的均值(中心)；

scale:分布的标准偏差(扩展或宽度);

size:输出的个数或形态，e.g., (m, n, k)。

代码示例如下：

import numpy as np # 加载相关包

mu, sigma = 0, 0.1 # 均值和标准差

s = np.random.normal(mu, sigma, 10) # 生成随机数

s # 展示数据

01.png

输出结果为以0为均值(中心)，0.1为标准差，长度为10的随机数列。

2.np.random.binomial

np.random.binomial`的作用是获取二项分布上的随机样本点。二项分布的概率密度函数及其展示如下:

为试验数；

为成功的概率；

为成功的事件数。

与二项分布对应，函数格式为numpy.random.binomial(n, p, size=None),参数解释如下：

n:分布参数，值>=0；

p:概率分布参数，值在0-1之间；

size:输出的个数或形态，e.g., (m, n, k)。

代码示例如下：

import numpy as np # 加载相关包

n, p = 10, .5 # 分布参数和概率分布参数

s = np.random.binomial(n, p, 10) # 生成随机数

s # 展示数据

02.png

输出结果为以10为分布数，0.5为概率分布参数，长度为10的随机数列。

数据准备

通过上述介绍np.random中的normal(正态分布)和binomial(二项分布)构建数据，并蒋数据构建成数据框的形式。

## 加载相关模块

import pandas as pd

import numpy as np

distracted = [1 for i in range(15)] # 构建15个均为1的list

normal_perf = [0 for i in range(15)] # 构建15个均为0的list

sex = ['Male' if i%2 == 0 else 'Female' for i in range(30)] # 通过0/1构建性别变量

rt_distracted = np.random.normal(1660, 100, 15) # 生成15个以1660为均值，100为标准差的概率分布的随机数

rt_normal_perf = np.random.normal(1054, 97, 15) # 生成15个以1054为均值，197为标准差的概率分布的随机数

accuracy_distracted = np.random.binomial(1, .79, 15) # 生成15个以n=1,p=0.75的二项分布随机数

accuracy_normal_perf = np.random.binomial(1, .87, 15) # 生成15个以n=1,p=0.85的二项分布随机数

rt = np.concatenate((rt_distracted, rt_normal_perf)) # 连接rt_distracted和rt_normal_perf两序列

acc = np.concatenate((accuracy_distracted, accuracy_normal_perf)) # 连接accuracy_distracted和accuracy_normal_perf两序列

distracted.extend(normal_perf) # 在末尾添加normal_perf的值

subject_id = [i for i in range(1,31)] # 创建1-30的id序列

data = {'Sub_id':subject_id, 'Condition':distracted, 'RT':rt, # 以字典形式构建文件

'Accuracy':acc, 'Gender':sex}

data_frame = pd.DataFrame(data) # 转换为数据框

data_frame.head() # 展示前五行数据

03.png

按列进行逆序排列

首先介绍按列进行逆序排列，内容包括了首尾列的对调和对所有列进行的逆序排列。

1. 对调换Gender和Accuracy列

columns = data_frame.columns.tolist() # 获取列名并转换为list

columns = columns[-1:] + columns[:-1] # 对列名表进行首尾调换

data_frame = data_frame[columns] # 对数据框中的列进行调换

data_frame.head() # 展示前五行数据

04.png

对数据框的列进行升序排列。[注：按字母顺序排列 ]

data_frame = data_frame.sort_index(axis=1 ,ascending=True) # 按列名的字母进行升序排列

data_frame.head() # 展示前五行数据

05.png

通过columns[::-1]或者columns.reverse()对所有列进行逆序排列。

columns = data_frame.columns.tolist() # 获取列名并转换为list

columns = columns[::-1] # 对所有列进行逆序排列

#columns.reverse() # 对所有列进行逆序 排列【方法2】

data_frame = data_frame[columns] # 按列对数据框进行逆序排列

data_frame.head() # 展示前五行数据

06.png

按行进行逆序排列

数据框同样可以对行进行逆序排列，在操作之前先用先前的方法对重新排列数据。

data_frame = data_frame.sort_index(axis=1 ,ascending=True) # 按列名的字母进行升序排列

data_frame.head() # 展示前五行数据

07.png

数据框同样可以对行进行逆序排列，在操作之前先用先前的方法对重新排列数据。

通过iloc对数据框进行逆序排序。

data_frame = data_frame.iloc[::-1] # 通过iloc索引对行进行逆序排列

data_frame.head() # 展示前五行数据

08.png

也可以通过设置df.sort_index中的axis=0对行进行逆序排列，此时的逆序操作恢复了数据框的排列。

data_frame = data_frame.sort_index(ascending=True, axis=0) # 通过sort_index对行进行逆序排列

data_frame.head() # 展示前五行数据

09.png

最后可通过reindex对数据框进行重索引，以达到对行逆序排列的效果。

data_frame = data_frame.reindex(index=data_frame.index[::-1]) # 通过reindex对行进行逆序排列

data_frame.head() # 展示前五行数据

10.png

总结

在本文中大致介绍了两种分布的随机数建立的方法，和对数据框的行和列进行逆序排列的方法。第一次在该博客写文，多有不足还望大家多多指教，有任何疑问请给我留言，我会尽力解答。

Escher

2018/9/15