numpy.random模块用法总结
random模块用于生成随机数，下面看看模块中一些常用函数的用法：
fromnumpyimportrandom
numpy.random.uniform(low=0.0,high=1.0,size=None)
生出size个符合均分布的浮点数，取值范围为[low,high)，默认取值范围为[0,1.0)
>>>random.uniform() 0.3999807403689315 >>>random.uniform(size=1) array([0.55950578]) >>>random.uniform(5,6) 5.293682668235986 >>>random.uniform(5,6,size=(2,3)) array([[5.82416021,5.68916836,5.89708586], [5.63843125,5.22963754,5.4319899]])
numpy.random.rand(d0,d1,...,dn)
生成一个(d0,d1,...,dn)维的数组，数组的元素取自[0,1)上的均分布，若没有参数输入，则生成一个数
>>>random.rand() 0.4378166124207712 >>>random.rand(1) array([0.69845956]) >>>random.rand(3,2) array([[0.15725424,0.45786148], [0.63133098,0.81789056], [0.40032941,0.19108526]]) >>>random.rand(3,2,1) array([[[0.00404447], [0.3837963]], [[0.32518355], [0.82482599]], [[0.79603205], [0.19087375]]])
numpy.random.randint(low,high=None,size=None,dtype='I')
生成size个整数，取值区间为[low,high)，若没有输入参数high则取值区间为[0,low)
>>>random.randint(8) 5 >>>random.randint(8,size=1) array([1]) >>>random.randint(8,size=(2,2,3)) array([[[4,7,0], [1,4,1]], [[2,2,5], [7,6,4]]]) >>>random.randint(8,size=(2,2,3),dtype='int64') array([[[5,5,6], [2,7,2]], [[2,7,6], [4,7,7]]],dtype=int64)
numpy.random.random_integers(low,high=None,size=None)
生成size个整数，取值区间为[low,high],若没有输入参数high则取值区间为[1,low]，注意这里左右都是闭区间
>>>random.randint(8) >>>random.randint(8,size=1) array([1]) >>>random.randint(8,size=(2,2,3)) array([[[4,7,0], [1,4,1]], [[2,2,5], [7,6,4]]]) >>>random.randint(8,size=(2,2,3),dtype='int64') array([[[5,5,6], [2,7,2]], [[2,7,6], [4,7,7]]],dtype=int64)
numpy.random.random(size=None)
产生[0.0,1.0)之间的浮点数
>>>random.random(5) array([0.94128141,0.98725499,0.48435957,0.90948135,0.40570882]) >>>random.random() 0.49761416226728084
相同用法：
- numpy.random.random_sample
- numpy.random.ranf
- numpy.random.sample(抽取不重复)
numpy.random.bytes(length)
生成随机字节
>>>random.bytes(1) b'%' >>>random.bytes(2) b'\xd0\xc3'
numpy.random.choice(a,size=None,replace=True,p=None)
从a（数组）中选取size（维度）大小的随机数，replace=True表示可重复抽取，p是a中每个数出现的概率
若a是整数，则a代表的数组是arange(a)
>>>random.choice(5) 3 >>>random.choice([0.2,0.4]) 0.2 >>>random.choice([0.2,0.4],p=[1,0]) 0.2 >>>random.choice([0.2,0.4],p=[0,1]) 0.4 >>>random.choice(5,5) array([1,2,4,2,4]) >>>random.choice(5,5,False) array([2,0,1,4,3]) >>>random.choice(100,(2,3,5),False) array([[[43,81,48,2,8], [33,79,30,24,83], [3,82,97,49,98]], [[32,12,15,0,96], [19,61,6,42,60], [7,93,20,18,58]]])
numpy.random.permutation(x)
随机打乱x中的元素。若x是整数，则打乱arange(x)，若x是一个数组，则将copy(x)的第一位索引打乱，意思是先复制x，对副本进行打乱处理，打乱只针对数组的第一维
>>>random.permutation(5) array([1,2,3,0,4]) >>>random.permutation(5) array([1,4,3,2,0]) >>>random.permutation([[1,2,3],[4,5,6]]) array([[1,2,3], [4,5,6]]) >>>random.permutation([[1,2,3],[4,5,6]]) array([[4,5,6], [1,2,3]])
numpy.random.shuffle(x)
与permutation类似，随机打乱x中的元素。若x是整数，则打乱arange(x).但是shuffle会对x进行修改
>>>a=arange(5) >>>a array([0,1,2,3,4]) >>>random.permutation(a) array([1,4,3,2,0]) >>>a array([0,1,2,3,4]) >>>random.shuffle(a) >>>a array([4,1,3,2,0])
numpy.random.seed(seed=None)
设置随机生成算法的初始值
其它符合函数分布的随机数函数
- numpy.random.beta
- numpy.random.binomial
- numpy.random.chisquare
- numpy.random.dirichlet
- numpy.random.exponential
- numpy.random.f
- numpy.random.gamma
- numpy.random.geometric
- numpy.random.gumbel
- numpy.random.hypergeometric
- numpy.random.laplace
- numpy.random.logistic
- numpy.random.lognormal
- numpy.random.logseries
- numpy.random.multinomial
- numpy.random.multivariate_normal
- numpy.random.negative_binomial
- numpy.random.noncentral_chisquare
- numpy.random.noncentral_f
- numpy.random.normal
- numpy.random.pareto
- numpy.random.poisson
- numpy.random.power
- numpy.random.randn
- numpy.random.rayleigh
- numpy.random.standard_cauchy
- numpy.random.standard_exponential
- numpy.random.standard_gamma
- numpy.random.standard_normal
- numpy.random.standard_t
- numpy.random.triangular
- numpy.random.vonmises
- numpy.random.wald
- numpy.random.weibull
- numpy.random.zipf
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。