首页 > 其他分享> 文章详细

numpy1.1.7版本后随机数新的生成方法总结

2021-05-22 20:01:19 阅读：307 来源： 互联网

标签：随机数 Generator random rng 版本 numpy1.1 array size

文章目录

一、简介

最近在看numpy官网的时候，发现1.17版本对随机数做了部分改动。官网地址：Random sampling (numpy.random)

改动如下：
在这里插入图片描述
numpy新版本保持了RandomState的兼容，新的Generator相比于RandomState能力更强大。

在这里插入图片描述
所以有时候我们去网上找博客，不一定能获得最新的内容。

二、Generator

官网地址：Random Generator

我一开始去官网找的时候，也是再三确认，有新的方法了。

1、常用函数

Generator常用的产生随机数的函数如下：
在这里插入图片描述

2、示例

常用的是前三个，我们一个一个说过去。

2.1 产生随机整数

random.Generator.integers(low, high=None, size=None, dtype=np.int64, endpoint=False)

参数：

low：int or array-like of ints，确定随机数的下限，必须给出；如果high没有指定，假如参数是low=3，那么就把3赋值给high，随机数在[0,3)里面选；如果只有一个参数，且给出的时候没有指定给哪low还是high，则默认给high，并且此时low默认为0；
high：int or array-like of ints, optional，确定随机数的上限；
size：int or tuple of ints, optional，确定返回的矩阵大小，可以是一维，也可以是多维；
dtype：dtype, optional，确定整数类型；
endpoint：bool, optional，确定上下限是否包含high，默认是不包含；

示例：

>>> import numpy as np
#初始化Generator
>>> rng=np.random.default_rng()
>>> rng.integers(low=-2,high=2,size=(2,3),endpoint=True)
array([[ 1,  0,  0],
       [ 1,  2, -1]])
>>> rng.integers(low=3,size=5)
array([0, 1, 2, 0, 0])
>>> rng.integers(3,size=(2,3))
array([[2, 0, 1],
       [1, 1, 2]])
>>> rng.integers(low=3)
0
>>> rng.integers(low=3)
2
#high是数组的情况，返回值是一个有不同上限的1*3的矩阵，
>>> rng.integers(1,[3,5,10])
array([1, 2, 8])
#low是数组的情况，指定下限
>>> rng.integers([3,5,10],11)
array([ 3, 10, 10])
>>>

2.2 产生随机数

random.Generator.random(size=None, dtype=np.float64, out=None)

参数比较少，size和dtype不再赘述，out用于指定存放结果的数组。random只能产生[0,1)之间的随机数，其它范围的得利用加减乘除等运算得到想要的结果了。

比如，想要[a,b)之间的随机数，可以如下操作：

(b - a) * random() + a

示例：

#产生[0,1)之间的随机数
>>> rng.random(size=4)
array([0.98110911, 0.18213644, 0.41812857, 0.19352714])
#产生[0,5)之间的随机数
>>> 5*rng.random(size=4)
array([1.07804164, 3.67840157, 3.8162768 , 2.13327948])
>>>

2.3 在已有的一维数组里面挑选随机数

random.Generator.choice(a, size=None, replace=True, p=None, axis=0, shuffle=True)

参数如下：

a：{array_like, int}，如果是数组（不仅限于一维数组），就在数组元素里面选；如果是int整数，就在np.arange(a)产生的数组里面选；
replace：bool, optional，是不是有放回采样，即产生的数组里面是不是有重复值；True表示有重复值，False表示没有重复值；
p：1-D array_like, optional，a中每个值被选上的可能性；如果没有给出，默认是均匀分布；
asix：int, optional，这个主要是针对a的，如果a是多维数组，选定在哪个维度上选取元素，假如a是2*4矩阵，axis=0表示每一行作为被挑选的元素；axis=1表示每一列作为被挑选的元素；
shuffle：bool, optional，如果是无放回抽样，是否打乱顺序。

示例：

>>> rng.choice(25,size=(2,4),replace=True)
array([[ 0, 11, 18, 11],
       [ 3, 18, 20, 22]])
>>> rng.choice(25,size=(2,4),replace=False)
array([[ 1, 14,  7, 23],
       [20,  9,  6, 19]])
>>>

关于概率p，之前在一篇博客中，看到过这么一个应用，用choice实现了类似轮盘赌的效果，在遗传算法里面需要根据适应度选择交叉和变异的双亲节点，轮盘赌就是想实现适应度越高，被选上的可能性越大，choice函数中的p参数刚好符合。

简单实例：

>>> fitness=rng.random(size=6)
#适应度
>>> fitness
array([0.31172348, 0.21873388, 0.38370583, 0.29026004, 0.39245999,
       0.33158675])
>>> p=fitness/fitness.sum()
>>> p
array([0.1616429 , 0.11342354, 0.19896904, 0.15051312, 0.20350848,
       0.17194292])
>>> result=rng.choice(a=6,size=4,replace=False)
#result保存的是下标
>>> result
array([2, 4, 5, 3])
>>>

3、seed

和RandomState一样，seed是用于产生相同的随机数，在Generator中需要实例化的时候就指定，暂时还没遇到这种情境下的应用。

代码：

>>> rng=np.random.default_rng(seed=10)
>>> rng.random()
0.9560017096289753
>>> rng=np.random.default_rng(seed=10)
>>> rng.random()
0.9560017096289753
>>>

三、RandomState

这是RandomState和Generator两个类下的常用函数对比

在这里插入图片描述
RandomState官网介绍：Legacy Random Generation

这是常用的几个函数：
在这里插入图片描述
用法与Generator这个类差不多，要是觉得英文的不想看，也可以看看这篇博客Python的numpy库中rand(),randn(),randint(),random_integers()等random系函数的使用

四、使用体验

Generator函数更少，个人更喜欢新版的，反正都支持，看个人习惯。

标签：随机数,Generator,random,rng,版本,numpy1.1,array,size
来源： https://blog.csdn.net/u012949658/article/details/117155881

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9