常用的几个随机函数random和choice

在python中，有random和np.random两个包中包含众多随机函数，尤其是sample和choice，2个包中的存在很大差异，于是在此记录一下。

1. random包中的函数

random包是python自带的随机函数库，使用较多的时其中的2个函数(random.sample和random.choice)
示例如下：

1. random.sample：该函数用于从给定总体(population)中无重复地选出k个样本

import random
# 原型：
# random.sample(population, k)
# 从给定的population(总体)中无重复地选择k个样本

random.sample(range(10), 3)

# 输出
# [2, 0, 6]

2. random.choice：从给定seq中选择1个样本

import random
# 原型：
# random.choice(seq)
# # 从给定seq中选择1个样本

random.choice(range(10))

# 输出
# 9

2.np.random中的函数

1. np.random.sample(size)：生成形状为size的[0,1)均匀分布的随机序列。（这个有点违反主观直觉，相比于random.sample来说的话）

import numpy as np

np.random.sample((2, 3))
# 输出
# array([[0.79389098, 0.57137389, 0.1527349 ],
#        [0.15176632, 0.33051235, 0.03054083]])

2. np.random.choice(a, size, replace)：从a中采样得到形状为size的数组，replace用于控制是否是可重复采样。

# 原型：np.random.choice(a, size, replace)
# 两种使用方法：
# 1.a为int，返回range(a)序列，从中选择size个
# 2.a为seq，从seq中选择size个
# replace控制被采样序列a中的值是否可重复

import numpy as np

# 从[0, 10)中选出6个数字排列成(2, 3)的形式，每个数字都不可重复
np.random.choice(10, (2, 3), replace=False)

# 输出
# array([[0, 5, 9],
#        [1, 2, 8]])

# -----------------------------------------------------------
import numpy as np

# 从[0, 10)中选出6个数字排列成(2, 3)的形式，每个数字可重复
np.random.choice(10, (2, 3), replace=True)

# 输出
# array([[9, 3, 7],
#        [7, 4, 8]])

# -----------------------------------------------------------
import numpy as np

# 从[1, 3, 5, 7, 9, 10]中选出3个数字，每个数字可重复
np.random.choice([1, 3, 5, 7, 9, 10], 3, replace=True)

# 输出
# array([ 5, 10, 10])

其他的几个函数就不给出代码示例了，说明一下：

• 生成[0,1)随机分布的size个数字(注意：乍一看这个和np.random.sample一毛一样，但是区别在于random生成的是随机分布的，sample生成的数据是均匀分布的)

np.random.random(size)

• np.random.random()的升级版，可以更加方便地生成多维数据

np.random.rand(d0, d1, d2, ...)

• 随机生成正态分布的数字序列

np.random.randn(d0, d1, d2, ...)