為什麼你用不好Numpy的random函式？

在python資料分析的學習和應用過程中，經常需要用到numpy的隨機函式，由於隨機函式random的功能比較多，經常會混淆或記不住，下面我們一起來彙總學習下。

import numpy as np

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]]])

np.random

.randn() # 當沒有引數時，返回單個資料

-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]]])

numpy.random.randint(low, high=none, size=none, dtype=』l』)

np.random

.randint(1,size=5) # 返回[0,1)之間的整數，所以只有0

array

([0, 0, 0, 0, 0])

np.random

.randint(1,5) # 返回1個[1,5)時間的隨機整數

4

np.random

.randint(-5,5,size=(2,2))

array([[ 2, -1],

[ 2, 0]])

該函式在最新的numpy版本中已被替代，建議使用randint函式

np.random

.random_integers(1,size=5)

array

([1, 1, 1, 1, 1])

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]]

np.random

.choice(5,3)

array

([4, 1, 4])

np.random.choice(5, 3, replace=false)

# 當replace為false時，生成的隨機數不能有重複的數值

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=')

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=')

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 ])

為什麼你的專案總是做不好？ 需求篇（一）

2002年，don norman,美國的產品大師,被邀請拜訪一家有名軟體產品公司的主要開發團隊，考察這團隊主正在開發的現有主要產品。但是他發現產品的功能雖然很多卻不好用，連日常需要都沒有滿足。當他把這些產品問題一一列出，並和設計團隊討論時，發現設計團隊認為他的這些問題很新鮮有趣。為什麼要到norma...

為什麼你總是學不好Linux技術？這是我的答案。

我們為什麼要學習linux，最近幾年linux發展迅速，特別伺服器領域，帶來了很多新技術，雲計算，虛擬化，大資料等技術，還有安全方面都有了很大的發展同時也給了linux運維工作帶來了，更多的要求和挑戰。linux作為伺服器的系統，服務於各行業，在市場使用中越來越廣泛，這得益於linux的穩定，高效和...

為什麼你總是學不好Linux技術？這是我的答案

我們為什麼要學習linux，最近幾年linux發展迅速，特別伺服器領域，帶來了很多新技術，雲計算，虛擬化，大資料等技術，還有安全方面都有了很大的發展同時也給了linux運維工作帶來了，更多的要求和挑戰。linux作為伺服器的系統，服務於各行業，在市場使用中越來越廣泛，這得益於linux的穩定，高效和...