python随机抽样numpy_numpy2.随机抽样

设置随机数种子：

np.random.seed(seed=None)

指定种子后，每次生成的随机数相同。否则系统根据时间设置种子，每次随机数因时间不同而不同。

离散型

以下函数中，n为样本空间，p为一次实验成功的概率，size为实验次数

二项分布

返回一维数组

np.random.binomial(n, p, size=None)

或导入scipy包

from scipy import stats

stats.binom.rvs(n, p, size=size)

求概率？

求均值与方差，moments参数中 m为期望，v为方差

stats.binom.stats(n, p, loc=0, moments='mv')

泊松分布

返回一维数组

np.random.poisson(lam=1.0, size=None)

或导入scipy包

from scipy import stats

stats.poisson.rvs(lam,size=size)

求概率

stats.poisson.pmf(k, mu)

求均值、方差？

超几何分布

返回一维数组

numpy.random.hypergeometric(ngood, nbad, nsample, size=None)

或导入scipy包

from scipy import stats

stats.hypergeom.rvs(M, n, N, loc=0, size=1, random_state=None)

计算k次实验成功的概率

stats.hypergeom.pmf(k, M, n, N, loc)

均值与方差：

stats.hypergeom.stats(M, n, N, loc=0, moments='mv')

连续型

f(x)为概率密度

均匀分布

np.random.uniform(low=0.0, high=1.0, size=None)

分布包含low，不包含high，即范围为：[low, high)

[0, 1)之间的均匀分布的小数：(d0,d1,…,dn代表数据维度)

np.random.rand(d0, d1, ..., dn)

[low, high)之间的均匀分布的整数：(若high为默认值None，则范围为[0, low))

np.random.randint(low, high=None, size=None, dtype='l')

正态分布

f(x) = 1 / (2 PI)1/2 * exp(-x2 / 2)

标准正态分布：(均值0，标准差1)

np.random.randn(d0, d1, ..., dn)

f(x) = 1 / ((2PI)1/2 sigma) * exp(-(x-mu)2 / (2 mu2)

指定参数：(loc：mu均值，scale：sigma标准差)

np.random.normal(loc=0.0, scale=1.0, size=None)

与sigma * np.random.randn(...) + mu等价

指数分布

f(x) = lambda * exp(-lambda * x), x > 0

f(x) = 0, x <= 0

注：scale = 1 / lambda

np.random.exponential(scale=1.0, size=None)

其他随机函数

随机从序列抽取元素

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

若a为整数，则从np.range(a)中随机抽取；若a为数组，取值从a数组元素中随机抽取。replace控制是否抽取重复元素，p(array类型)控制不同元素被选取的概率。

打乱数据集

np.random.shuffle(x)

对x重排序，若x为多维数组，只沿0轴打乱。无返回值，改变原数组。

np.random.permutation(x)

与上函数作用相同，有返回值，不改变原数组。

代码运行结果很有意思，一块一块运行即可：

import numpy as np

import matplotlib.pyplot as plt

np.random.seed(926734542)

bino = np.random.binomial(10, 0.1, 20)

print(bino)

plt.hist(bino)

plt.show()

pois = np.random.poisson(3, 10000)

print(pois)

plt.hist(pois)

plt.show()

hype = np.random.hypergeometric(10, 90, 50, 10000)

print(hype)

plt.hist(hype)

plt.show()

unif = np.random.uniform(-30, 30, 10000)

print(unif)

plt.hist(unif)

plt.show()

bzzt = np.random.randn(10000)

print(bzzt)

plt.hist(bzzt)

plt.show()

norm = np.random.normal(0, 1, 10000)

print(norm)

plt.hist(norm)

plt.show()

expo = np.random.exponential(scale=1.0, size=10000)

print(expo)

plt.hist(expo)

plt.show()

a = np.random.randn(100000)

choc = np.random.choice(a, size=10000, replace=True, p=None)

print(choc)

plt.hist(choc)

plt.show()

x = np.arange(100)

print(x)

y = np.random.permutation(x)

print(y)

np.random.shuffle(x)

print(x)