c++ 随机字符串_R语言 生成各种（随机/测试）数据 | 第2讲

原创： 拴小林 数据驱动实践 5月25日

随机数用途多样，笔者常用于：生成测试数据，生成有规律的数列。

原文

目录

1 提前认识“set.seed(n)”

2 生成常规数据
2.1 最常见的“c”
2.2 “:“  等差生成等差为1或-1的向量
2.3 seq 等距向量
2.4 rep(x,n)   重复 
2.5 factor() 和 gl()
2.6 paste() 字符连接
2.7 sample() 随机抽样
2.8 strsplit(x)  字符分割
2.9 R语言中正则表达式转义字符

3 生成拟合概率函数的数据

4 生成离散随机变量（借助for循环）
方法一：设计disrand函数
方法二：sample抽样函数

1 提前认识“set.seed(n)”

set.seed(n)主要是为了重复生成相同的随机数，特别用于重复性验证。只要在使用函数生成随机数之前设定set.seed(n)，即可生成相同的随机数。注释：n必须一致

#了解第一个随机数生成函数：runif
runif(n,min,max)#随机生成n个在min和max之间的随机数
#默认runif(n)中min=0，max=1

#--------认识set.seed的作用--------#
#未设置set.seed
> runif(5,0,1) #第1次未设置set.seed
[1] 0.24910169 0.58064847 0.83125620 0.20406744 0.07102857
> runif(5,0,1) #第2次未设置set.seed
[1] 0.75107020 0.57290066 0.74190823 0.07562258 0.92335997
> runif(5,0,1) #第3次未设置set.seed
[1] 0.2254366 0.2745305 0.2723051 0.6158293 0.4296715

#设置set.seed(10)
> set.seed(10) #第1次设置set.seed(10)
> runif(5,0,1)
[1] 0.50747820 0.30676851 0.42690767 0.69310208 0.08513597
> set.seed(10)
> runif(5,0,1) #第2次设置set.seed(10)
[1] 0.50747820 0.30676851 0.42690767 0.69310208 0.08513597

2 生成常规数据

2.1 最常见的“c”

这或许是你R语言学习中接触的第一个知识点

> c(1,2,8)#生成包含1，2，8的向量
[1] 1 2 8

2.2 “:“ 等差生成等差为1或-1的向量

> 1.1:10
[1] 1.1 2.1 3.1 4.1 5.1 6.1 7.1 8.1 9.1
> 1:10
 [1]  1  2  3  4  5  6  7  8  9 10
> 10:1 #如x=1:10（递减，如y=10:1）
 [1] 10  9  8  7  6  5  4  3  2  1

2.3 seq 等距向量

①seq(起点，终点，步长);
②seq(length=9, from=1, to=5)

> seq(1,10,2)
[1] 1 3 5 7 9
> seq(length=5,1,10)
[1]  1.00  3.25  5.50  7.75 10.00

#seq(x)相当于1:length(x)；length(x)为0时，返回integer(0)
> seq(10)
 [1]  1  2  3  4  5  6  7  8  9 10
> seq(c())
integer(0)

2.4 rep(x,n) 重复

#将x重复n次，可使用each限定为依次重复形式

比较：rep(1:3,3) 和rep(1:3,each=3)

> rep(1:3,3)
[1] 1 2 3 1 2 3 1 2 3
> rep(1:3,each = 3)
[1] 1 1 1 2 2 2 3 3 3

2.5 factor() 和 gl()

factor(x = character(), levels, labels = levels)构造一个因子序列。x为原数据，levels是x中的不同水平，labels是与x中每个水平对应的标签。

x <- c("Man", "Male", "Man", "Lady", "Female")
## Map from 4 different values to only two levels:
xf <- factor(x, levels = c("Male", "Man" , "Lady", "Female"),
                 labels = c("Male", "Male", "Female", "Female"))
> xf
[1] Male   Male   Male   Female Female
Levels: Male Female

gl(k,n,length=,label=)构造一个因子序列。k为水平数，n为每个水平连续出现的次数，length为整个序列的长度，label为因子标签。

> gl(3,5,length=15,label=c('a','b','c'))
 [1] a a a a a b b b b b c c c c c
Levels: a b c

2.6 paste() 字符连接

该函数每次从每个参数中提取一个元素组成一个字符串，直至元素最多的参数取完，其它元素不足的参数循环补足。 可接受多个参数，每个参数可包括多个元素。

paste (..., rep = "@", collapse = NULL) #sep="@"是在每个对象后加入@字符

> paste(c("X","Y"), 1:10, sep="")
 [1] "X1"  "Y2"  "X3"  "Y4"  "X5"  "Y6"  "X7"  "Y8"  "X9"  "Y10"
> paste(c("X","Y","Z"), 1:9, sep="")
[1] "X1" "Y2" "Z3" "X4" "Y5" "Z6" "X7" "Y8" "Z9"

> paste(letters,collapse='')#将26个小写字母连成一个字符串
[1] "abcdefghijklmnopqrstuvwxyz"
> paste(letters,collapse='@')#将26个小写字母连成一个字符串
[1] "a@b@c@d@e@f@g@h@i@j@k@l@m@n@o@p@q@r@s@t@u@v@w@x@y@z"

2.7 sample() 随机抽样

sample(x, size, replace = FALSE, prob = NULL)

#x被抽样数据；size抽样个数；replace = FALSE/TRUE无重复抽样/重复抽样；prob挑选概率（x与prob对应）

sample(x, n, replace=FALSE) #从x中无重复的取n个数据，replace=TRUE为可重复

> sample(1:100, 20, replace=FALSE)
 [1] 71 83 24 75 35 51  9 16 99 39 68 74 85 60 44 98 20  2 87 21
>  sample(letters, 20, replace=FALSE) #无重复
 [1] "e" "a" "l" "c" "r" "h" "s" "z" "i" "d" "j" "g" "o" "f" "n" "y" "b" "t"
[19] "q" "m"

> sample(letters, 20, replace= TRUE) #可重复
 [1] "t" "o" "l" "c" "f" "b" "n" "q" "n" "b" "o" "j" "y" "g" "f" "w" "m" "f"
[19] "q" "f"
sample(x) #对x进行堆积排序，可用于打乱原始数据顺序

x = c(1:20)
sample(x)#随机排列x
 [1]  7  2 20 18 15 14 16 17  9  5  8 10 19  4 11  6 12  3 13  1
sample(c(0,1), 10, replace=TRUE, prob=c(0.2, 0.8)) 
#分别以0.2和0.8的概率抽取0和1

> sample(c(0,1), 10, replace=TRUE, prob=c(0.2, 0.8)) 
 [1] 1 1 1 1 1 1 1 1 0 0

2.8 strsplit(x) 字符分割

strsplit(x, split, fixed = FALSE, perl = FALSE)

#根据split将x分割，若split=“”，则将x分为单个字符。

> strsplit("split","", fixed = FALSE, perl = FALSE)
[[1]]
[1] "s" "p" "l" "i" "t"
#默认split为正则表达式，可使用fixed=TRUE，对split做精确匹配
#当perl=TRUE时，使用perl的正则表达式规则
#当分隔符为?, +, {, |, (, )时，要使用''来消除特殊含义

> x <- "a5aa646a4d9a4da1d3a49d79a41d1da"
> strsplit(x, "d") #根据每个数字分割
[[1]]
 [1] "a"  "aa" ""   ""   "a"  "d"  "a"  "da" "d"  "a"  ""   "d"  ""   "a"  ""   "d"  "da"
> strsplit(x, "[:alnum:]") #任何一个字母或数字（等价于[a-ZA-Z0-9]）
[[1]]
[1] ""      "5"     ""      "646"   "4d9"   "4d"    "1d3"   "49d79" "41d1d"

R语言之正则表达式 - 王亨 - 博客园​www.cnblogs.com

2.9 R语言中正则表达式转义字符

正则化表达式转义字符

空白元字符	[b]	回退（并删除）一个字符（backspace）
f	换页符
n	换行符
r	回车符
t	制表符（tab）
v	垂直制表符
注：rn是windows所用的文本行结束符，Unix和Linux只是用一个换行符来结束一个文本行
匹配数字与非数字	d	任何一个数字字符，等价于[0-9]
D	任何一个非数字字符，等价于^[0-9]
匹配字母非字母与数字	w	任何一个字母数字字符（大小写均可以）或下划线字符（等价于[a-zA-Z0-9]）
W	任何一个非字母数字或下划线字符（等价于[^a-zA-Z0-9]）
匹配空白字符	s	任何一个空白字符（等价于[fnrtv]）
S	任何一个非空白字符（等价于[^fnrtv]）
POSIX字符类	[:alnum:]	任何一个字母或数字（等价于[a-ZA-Z0-9]）
[:alpha:]	任何一个字母（等价于[a-ZA-Z]）
[:blank:]	空格或制表符（等价于[t ]）    注:t后面有一个空格
[:cntrl:]	ASCII控制字符（ASCII 0到31，再加上ASCII 127）
[:digit:]	任何一个数字（等价于[0-9])
[:graph:]	和[:print:]一样，但不包括空格
[:lower:]	任何一个小写字母（等价于[a-z])
[:print:]	任何一个可打印字符
[:punct:]	既不属于[:alnum:]，也不属于[:cntrl:]的任何一个字符
[:space:]	任何一个空格字符，包括空格（等价于[fnrtv ] 注:v后面有一个空格
[:upper:]	任何一个大写字母（等价于[A-Z])
[:xdigit:]	任何一个十六进制数字(等价于[a-fA-F0-9])
其他	.	可以匹配任何单个的字符字母数字甚至.字符本身。同一个正则表达式允许使用多个.字符。但不能匹配换行
	转义字符，如果要匹配就要写成“()”
|	表示可选项，即|前后的表达式任选一个
^	取非匹配
$	放在句尾，表示一行字符串的结束
()	提取匹配的字符串，(s*)表示连续空格的字符串
[]	选择方括号中的任意一个(如[0-2]和[012]完全等价，[Rr]负责匹配字母R和r)
{}	前面的字符或表达式的重复次数。如{5,12}表示重复的次数不能小于5，不能多于12，否则都不匹配
*	匹配零个或任意多个字符或字符集合，也可以没有匹配
+	匹配一个或多个字符，至少匹配一次
?	匹配零个或一个字符

3 生成拟合概率函数的数据

统一的形式：前缀+分布函数名。

d 表示密度函数（density）；p 表示分布函数（生成相应分布的累积概率密度函数）；q 表示分位数函数，能够返回特定分布的分位数（quantile）；r 表示随机函数，生成特定分布的随机数（random）。

各种分布的随机数样例：

rnorm(n, mean=0, sd=1) #生成n个服从标准正态分布的序列

> rnorm(10, mean=0, sd=1) #n=10，生成10个拟合标准正太分布的随机数
[1]  0.6715239 -1.3813153 -1.3577117  0.2135950  0.2826674 -0.3110641
[7] -1.0306989 -0.4910372  0.9163312  0.1502577

其他以此类推

rexp(n, rate=1)   #指数
rgamma(n, shape, rate=1, scale=1/rate)   #r 分布
rpois(n, lambda)   #泊松
rt(n, df, ncp)   #t 分布
rf(n, df1, df2, ncp)   #f 分布
rbinom(n, size, prob)   #二项分布
rweibull(n, shape, scale=1)   #weibull 分布
rbata(n, shape1, shape2)   #bata 分布runif(n,min=0,max=1)  #均匀分布

4 生成离散随机变量（借助for循环）

方法一：设计disrand函数

p1<-0.15
p2<-0.2
p3<-0.3
p4<-0.35
disrand<-function(i){
  u<-runif(1,0,1)   #生成0-1之间的一个随机数
  if(u<p1) x <- 1 else #如果随机数u小于p1
    if(u<p2+p2) x <- 2 else #如果随机数u大于等于p1且小于p2+p2
      if(u<p3+p2+p1) x <- 3 else
        x <- 4
      return(x) #返回x
      }

Xa <- rep(NA,100) #生成一个有100个NA的向量，用于存放生成的随机数
for (i in 1:100)
  Xa[i] <- disrand(i)
Xa

> Xa
  [1] 1 1 2 3 2 4 1 1 2 4 4 2 2 2 2 4 2 4 4 4 3 2 4 1 1 1 2 4 1 3 1 3 4 2 4 2
 [37] 2 4 4 1 4 3 2 4 3 4 3 3 3 4 4 3 4 2 2 1 4 4 2 1 4 2 4 2 4 1 2 2 1 4 4 3
 [73] 4 4 4 4 4 2 4 1 4 3 4 3 4 1 4 4 4 2 3 4 3 2 3 2 4 4 1 4

方法二：sample抽样函数

> sample(c(1,2,3,4), 100, replace=TRUE, prob=c(0.15, 0.2,0.3,0.35))
  [1] 3 3 1 4 2 4 1 3 2 2 4 3 3 4 3 2 4 1 2 2 4 1 3 4 4 2 3 3 4 2 1 4
 [33] 2 3 4 3 4 3 4 1 4 1 2 4 2 1 2 2 2 4 4 1 4 1 4 1 1 3 3 1 1 1 2 1
 [65] 3 3 1 4 3 4 4 4 3 3 1 2 4 3 4 2 4 3 2 3 1 4 4 4 4 3 2 3 4 1 2 4
 [97] 4 3 4 1