[转]numpy.random.randn()用法
在python数据分析的学习和应用过程中,经常需要用到numpy的随机函数,由于随机函数random的功能比较多,经常会混淆或记不住,下面我们一起来汇总学习下。
import numpy as np
1 numpy.random.rand()
numpy.random.rand(d0,d1,…,dn)
- rand函数根据给定维度生成[0,1)之间的数据,包含0,不包含1
- dn表格每个维度
- 返回值为指定维度的array
np.random.rand(4,2)
- array([[ 0.02173903, 0.44376568],
- [ 0.25309942, 0.85259262],
- [ 0.56465709, 0.95135013],
- [ 0.14145746, 0.55389458]])
np.random.rand(4,3,2) # shape: 4*3*2
- array([[[ 0.08256277, 0.11408276],
- [ 0.11182496, 0.51452019],
- [ 0.09731856, 0.18279204]],
- [[ 0.74637005, 0.76065562],
- [ 0.32060311, 0.69410458],
- [ 0.28890543, 0.68532579]],
- [[ 0.72110169, 0.52517524],
- [ 0.32876607, 0.66632414],
- [ 0.45762399, 0.49176764]],
- [[ 0.73886671, 0.81877121],
- [ 0.03984658, 0.99454548],
- [ 0.18205926, 0.99637823]]])
2 numpy.random.randn()
numpy.random.randn(d0,d1,…,dn)
- randn函数返回一个或一组样本,具有标准正态分布。
- dn表格每个维度
- 返回值为指定维度的array
np.random.randn() # 当没有参数时,返回单个数据
-1.1241580894939212
np.random.randn(2,4)
- array([[ 0.27795239, -2.57882503, 0.3817649 , 1.42367345],
- [-1.16724625, -0.22408299, 0.63006614, -0.41714538]])
np.random.randn(4,3,2)
- array([[[ 1.27820764, 0.92479163],
- [-0.15151257, 1.3428253 ],
- [-1.30948998, 0.15493686]],
- [[-1.49645411, -0.27724089],
- [ 0.71590275, 0.81377671],
- [-0.71833341, 1.61637676]],
- [[ 0.52486563, -1.7345101 ],
- [ 1.24456943, -0.10902915],
- [ 1.27292735, -0.00926068]],
- [[ 0.88303 , 0.46116413],
- [ 0.13305507, 2.44968809],
- [-0.73132153, -0.88586716]]])
标准正态分布介绍
- 标准正态分布—-standard normal distribution
- 标准正态分布又称为u分布,是以0为均值、以1为标准差的正态分布,记为N(0,1)。
3 numpy.random.randint()
3.1 numpy.random.randint()
numpy.random.randint(low, high=None, size=None, dtype=’l’)
- 返回随机整数,范围区间为[low,high),包含low,不包含high
- 参数:low为最小值,high为最大值,size为数组维度大小,dtype为数据类型,默认的数据类型是np.int
- high没有填写时,默认生成随机数的范围是[0,low)
np.random.randint(1,size=5) # 返回[0,1)之间的整数,所以只有0
array([0, 0, 0, 0, 0])
np.random.randint(1,5) # 返回1个[1,5)时间的随机整数
4
np.random.randint(-5,5,size=(2,2))
- array([[ 2, -1],
- [ 2, 0]])
3.2 numpy.random.random_integers
numpy.random.random_integers(low, high=None, size=None)
- 返回随机整数,范围区间为[low,high],包含low和high
- 参数:low为最小值,high为最大值,size为数组维度大小
- high没有填写时,默认生成随机数的范围是[1,low]
该函数在最新的numpy版本中已被替代,建议使用randint函数
np.random.random_integers(1,size=5)
array([1, 1, 1, 1, 1])
4 生成[0,1)之间的浮点数
- numpy.random.random_sample(size=None)
- numpy.random.random(size=None)
- numpy.random.ranf(size=None)
- numpy.random.sample(size=None)
- print('-----------random_sample--------------')
- print(np.random.random_sample(size=(2,2)))
- print('-----------random--------------')
- print(np.random.random(size=(2,2)))
- print('-----------ranf--------------')
- print(np.random.ranf(size=(2,2)))
- print('-----------sample--------------')
- print(np.random.sample(size=(2,2)))
- -----------random_sample--------------
- [[ 0.34966859 0.85655008]
- [ 0.16045328 0.87908218]]
- -----------random--------------
- [[ 0.25303772 0.45417512]
- [ 0.76053763 0.12454433]]
- -----------ranf--------------
- [[ 0.0379055 0.51288667]
- [ 0.71819639 0.97292903]]
- -----------sample--------------
- [[ 0.59942807 0.80211491]
- [ 0.36233939 0.12607092]]
5 numpy.random.choice()
numpy.random.choice(a, size=None, replace=True, p=None)
- 从给定的一维数组中生成随机数
- 参数: a为一维数组类似数据或整数;size为数组维度;p为数组中的数据出现的概率
- a为整数时,对应的一维数组为np.arange(a)
np.random.choice(5,3)
array([4, 1, 4])
- np.random.choice(5, 3, replace=False)
- # 当replace为False时,生成的随机数不能有重复的数值
array([0, 3, 1])
np.random.choice(5,size=(3,2))
- array([[1, 0],
- [4, 2],
- [3, 3]])
- demo_list = ['lenovo', 'sansumg','moto','xiaomi', 'iphone']
- np.random.choice(demo_list,size=(3,3))
- array([['moto', 'iphone', 'xiaomi'],
- ['lenovo', 'xiaomi', 'xiaomi'],
- ['xiaomi', 'lenovo', 'iphone']],
- dtype='<U7')
- 参数p的长度与参数a的长度需要一致;
- 参数p为概率,p里的数据之和应为1
- demo_list = ['lenovo', 'sansumg','moto','xiaomi', 'iphone']
- np.random.choice(demo_list,size=(3,3), p=[0.1,0.6,0.1,0.1,0.1])
- array([['sansumg', 'sansumg', 'sansumg'],
- ['sansumg', 'sansumg', 'sansumg'],
- ['sansumg', 'xiaomi', 'iphone']],
- dtype='<U7')
6 numpy.random.seed()
- np.random.seed()的作用:使得随机数据可预测。
- 当我们设置相同的seed,每次生成的随机数相同。如果不设置seed,则每次会生成不同的随机数
- np.random.seed(0)
- np.random.rand(5)
array([ 0.5488135 , 0.71518937, 0.60276338, 0.54488318, 0.4236548 ])
- np.random.seed(1676)
- np.random.rand(5)
array([ 0.39983389, 0.29426895, 0.89541728, 0.71807369, 0.3531823 ])
- np.random.seed(1676)
- np.random.rand(5)
array([ 0.39983389, 0.29426895, 0.89541728, 0.71807369, 0.3531823 ])
转:https://blog.csdn.net/u012149181/article/details/78913167
[转]numpy.random.randn()用法的更多相关文章
- numpy.random模块用法总结
from numpy import random 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[l ...
- numpy.random模块用法小结
原文作者:aircraft 原文链接:https://www.cnblogs.com/DOMLX/p/9751471.html 1.np.random.random()函数参数 np.random.r ...
- numpy.random.randn()与numpy.random.rand()的区别(转)
numpy中有一些常用的用来产生随机数的函数,randn()和rand()就属于这其中. numpy.random.randn(d0, d1, …, dn)是从标准正态分布中返回一个或多个样本值. n ...
- numpy.random.randn()与rand()的区别【转】
本文转载自:https://blog.csdn.net/u010758410/article/details/71799142 numpy中有一些常用的用来产生随机数的函数,randn()和rand( ...
- 【转】numpy.random.randn()与rand()的区别
转自: https://blog.csdn.net/u010758410/article/details/71799142 numpy中有一些常用的用来产生随机数的函数,randn()和rand()就 ...
- numpy.random.randn()和numpy.random.rand()
1 numpy.random.rand() (1)numpy.random.rand(d0,d1,…,dn) rand函数根据给定维度生成[0,1)之间的数据,包含0,不包含1 dn表格每个维度 返回 ...
- numpy.random.randn()与numpy.random.rand()的区别
numpy中有一些常用的用来产生随机数的函数,randn()和rand()就属于这其中. numpy.random.randn(d0, d1, …, dn)是从标准正态分布中返回一个或多个样本值. n ...
- Python中numpy.random.randn()与rand(),numpy.zeros、ones、eye
转自:https://blog.csdn.net/u010758410/article/details/71799142
- np.random.random()函数 参数用法以及numpy.random系列函数大全
原文作者:aircraft 原文链接:https://www.cnblogs.com/DOMLX/p/9751471.html 1.np.random.random()函数参数 np.random.r ...
随机推荐
- 2013-4-3 C#中alt键不是Keys.Alt 而是 Keys.LMenu
2013-4-3 C#中alt键不是Keys.Alt而是Keys.LMenu
- img的alt和title的异同?
alt 是图片加载失败时,显示在网页上的替代文字: title 是鼠标放上面时显示的文字,title是对图片的描述与进一步说明; 这些都是表面上的区别,alt是img必要的属性,而title不是. 对 ...
- codeforces1217-edu
C The Number Of Good Substrings 我原来的基本思路也是这样,但是写的不够好 注意算前缀和的时候,字符串起始最好从1开始. #include<cstdio> # ...
- 【Tensorflow】tf.nn.atrous_conv2d如何实现空洞卷积?膨胀卷积
介绍关于空洞卷积的理论可以查看以下链接,这里我们不详细讲理论: 1.Long J, Shelhamer E, Darrell T, et al. Fully convolutional network ...
- Ralasafe配置手册
Ralasafe访问控制(权限管理)中间件的配置工作非常少.因为项目发起人非常讨厌配置.因此,"己所不欲,勿施于人",Ralasafe的配置也非常少. Ralasafe配置工作只有 ...
- angular 全局常用指令
1.全局支持 enter快捷键触发事件 // 全局指令 app.directive('ngEnter', ['$window',"$timeout", ($window,$time ...
- POJ 1236 Network of Schools(tarjan)
Network of Schools Description A number of schools are connected to a computer network. Agreements h ...
- H3C查看系统启动配置文件
- 彻底弄懂slice和splice的区别
总觉得数组和字符串中的一些方法的使用很难记,可能是日常都是在学理论,缺少实际应用.不多说了,继续学习吧! 一句话先提前概括: slice(start,end) 从哪到哪开始删 splice(strt, ...
- <Standard Template Library>标准模板库专项复习总结(二)
4.队列 先进先出(FIFO)表 头文件:#include<queue> 变量的定义:queue<TYPE>queueName 成员函数: bool empty() 空队列返回 ...