np.random模块常用的一些方法介绍

例子

numpy.random.rand(d0, d1, …, dn):

生成一个[d0, d1, …, dn]维的numpy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[0, 1)的数。

import numpy as np
v1 = np.random.rand()
v2 = np.random.rand(3,4)
print(v1)
print(v2)

输出结果为：

0.618411110932038
[[0.35134062 0.55609186 0.4173297  0.85541691]
 [0.35144304 0.31204156 0.60196109 0.390464  ]
 [0.19186067 0.94570486 0.8637441  0.07028114]]

numpy.random.randn(d0, d1, …, dn):

生成一个[d0, d1, …, dn]维的numpy数组，具有标准正态分布。

import numpy as np
v1 = np.random.randn()
v2 = np.random.randn(3,4)
print(v1)
print(v2)

输出结果为：

0.47263651836701953
[[-0.23431214  0.97197099  0.52845269 -0.45246824]
 [-1.1266395  -1.60040653 -2.64602615 -0.19457032]
 [-0.520287   -1.0799122   0.08441667  0.34980224]]

numpy.random.randint(low, high=None, size=None, dtype=‘I’):

生成整数，取值范围为[low, high)，若没有输入参数high，则取值区间为[0, low)。

import numpy as np
v1 = np.random.randint(5)
v2 = np.random.randint(1,high = 5)
v3 = np.random.randint(1,high = 5,size = [3,4])
print(v1)
print(v2)
print(v3)

输出结果为：

2
3
[[1 1 3 1]
 [2 2 3 2]
 [3 4 2 1]]

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

生成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)。

import numpy as np
v1 = np.random.uniform()
v2 = np.random.uniform(low = 0,high = 5)
v3 = np.random.uniform(low = 0,high = 5,size = [3,4])
print(v1)
print(v2)
print(v3)

输出结果为：

0.6925621763952164
3.0483936610544218
[[1.34959297 4.84117424 0.41277118 4.81392216]
 [2.91266734 0.87922181 3.39729422 3.34340092]
 [0.45158364 3.8129479  0.54246798 2.57192192]]

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

按照正态分布生成均值为loc，标准差为scale的，形状为size的浮点数。

import numpy as np
v1 = np.random.normal()
v2 = np.random.normal(loc = 0,scale = 5)
v3 = np.random.normal(loc = 0,scale = 5,size = [3,4])
print(v1)
print(v2)
print(v3)

输出结果为：

0.7559391954091367
-3.359831771004067
[[  3.90821047   6.37757533   6.3813528    0.86219281]
 [ -3.61201084   4.05948053  -3.91172941  11.29050165]
 [ -8.60318633 -10.07090496  -4.86557867   7.98536182]]

numpy.random.random(size=None)

生成[0.0, 1.0)之间的浮点数。

import numpy as np
v1 = np.random.random()
v2 = np.random.random(size = [3,4])
print(v1)
print(v2)

输出结果为：

0.5930924941107145
[[0.41002067 0.28097163 0.8908558  0.16951515]
 [0.59730596 0.57475303 0.84174255 0.59633522]
 [0.63508879 0.44138737 0.6223043  0.61540997]]

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)。

import numpy as np
v1 = np.random.choice(5)
v2 = np.random.choice(5,size = 5)
v3 = np.random.choice([1,2,3,4,5],size = 5)
v4 = np.random.choice([1,2,3,4,5],size = 5,p = [1,0,0,0,0])
v5 = np.random.choice([1,2,3,4,5],size = 5,replace = False)
print("v1:",v1)
print("v2:",v2)
print("v3:",v3)
print("v4:",v4)
print("v5:",v5)

输出结果为：

v1: 1
v2: [0 0 4 0 4]
v3: [3 2 3 1 1]
v4: [1 1 1 1 1]
v5: [4 2 3 5 1]

免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：mmqy2019@163.com进行举报，并提供相关证据，查实之后，将立刻删除涉嫌侵权内容。

猜你喜欢

• Python如何连接oracle，详细操作方法是什么

  今天教各位小伙伴怎么用Python连接oracle,文中附带非常详细的图文示例,对正在学习的小伙伴们很有帮助哟,需要的朋友可以参考下

• Python如何生成随机数据的，随机性和安全性是怎样

  在日常工作编程中存在着各种随机事件，同样在编程中生成随机数字的时候也是一样，随机有多随机呢？在涉及信息安全的情况下，它是最重要的问题之一。每当在 Python 中生成随机数据、字符串或数字时，最好至少大致了解这些数据是如何生成的。用于在 Python 中生成随机数据的不同选项，然后在安全性、多功能性、用途和速度方面对每个选项进行比较。本篇内容不是数学或密码学相关内容，仅仅是根据需要进行尽可能多的数学运算仅此而已。

• Keras构建CNN的重要函数有什么

  这篇文章主要为大家介绍了python神经网络学习使用Keras构建CNN网络训练，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪

• 在Python中return和print区别有几点，怎么使用

  python中return和print的区别有哪些？功能不同，return是返回计算值；print是执行能输出到屏幕的功能。

• Python中list内存如何使用，有哪些要点需注意

  这篇文章主要介绍了Python中的内存管理之python list内存使用详解,本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下