Python如何生成指定區間中的亂數

2022-07-18 14:03:47

如何生成指定區間中的亂數

要求生成區間[a, b]中的亂數。若要求為浮點數，則Python中只能近似達到這一要求，因為隨機函數的取值區間一般都為左閉右開區間，因為只能無限接近b。

若要求為整數，那麼將取數區間設定為[a,b+1)即可以取到b了。

具體如下：

1. random()

numpy.random.random(size=None)

生成[0.0, 1.0)的亂數。注意區間是左閉右開，取不到1.0。
生成的是浮點數。
引數size可以用於指定生成亂數的個數和形狀。例如

>>>import numpy as np
>>>np.random.random()
0.5312959368718575
>>>np.random.random(5)
array([ 0.2483017 ,  0.86182212,  0.03454678,  0.87525464,  0.31962688])
>>>np.random.random((2,3))
array([[ 0.66214521,  0.40083972,  0.05552421],
       [ 0.51091912,  0.6419505 ,  0.8757311 ]])

利用np.random.random()近似生成[a,b]的亂數，因為前者的取值範圍是[0,1)，是半開區間，所以右側端點處的值b取不到。

>>>import numpy as np
>>>a + (b-a)*np.random.random()

2. rand()

numpy.random.rand(d0, d1, …, dn)

它和numpy.random.random(size=None)的主要區別就在於引數。例如生成2*3的array。注意觀察引數的形式。

>>>import numpy as np
>>>np.random.random((2,3))
array([[ 0.66214521,  0.40083972,  0.05552421],
       [ 0.51091912,  0.6419505 ,  0.8757311 ]])
>>>np.random.rand(2,3)
array([[ 0.59786635,  0.88902485,  0.7038246 ],
       [ 0.44150109,  0.73660019,  0.70001489]])

3. randint()

生成指定區間的隨機整數

numpy.random.randint(low, high=None, size=None, dtype=‘l')
>>> np.random.randint(2,5)
3
>>> np.random.randint(2,5,3)
array([2, 3, 3])
>>> np.random.randint(2,5,9)
array([3, 4, 3, 2, 3, 3, 4, 4, 2])
>>> np.random.randint(2,5,(2,3))
array([[4, 3, 2],
       [3, 3, 4]])

注意：取值的區間仍然是左閉右開區間[low, high)

若要求取[a,b]中的亂數，則

>>>np.random.randint(a, b+1)

python生成亂數總結

生成亂數和亂數操作

Python有自己專門處理亂數的功能，但大家最常用的還是numpy庫裡的生成亂數功能，因為Python 的 random 沒有考慮陣列型別的高效資料結構，所以在 array 型別的資料結構時，大家更喜歡直接用 Numpy 來生成，且它的功能更豐富，有各種亂數的生成方式，隨機化當前數列，加速等。

Python自帶random

import random
print(random.random()) # 隨機生成一個0-1之間的亂數，例如0.7679099295136553
print(random.randint(1, 10)) # 隨機生成一個1-10之間的整數，如3

numpy庫的random

先匯入庫

import numpy as np

1. np.random.random_integers

numpy.random.random_integers(low, high=None, size=None)

返回隨機整數，範圍區間為[low,high]，包含low和high
引數：low為最小值，high為最大值，size為陣列維度大小
high沒有填寫時，預設生成亂數的範圍是[1，low]

該函數在最新的numpy版本中已被替代，建議使用randint函數

>>> np.random.random_integers(1,size=5)
array([1, 1, 1, 1, 1])

2. np.random.rand() 或 np.random.random()

# 功能一樣，寫法有點區別
np.random.rand(d0,d1,…,dn)
np.random.random([d0,d1,…,dn])

rand函數根據給定維度，生成[0,1)之間的資料，包含0，不包含1
dn：生成維度
返回值為指定維度的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]]])

3. np.random.randn()

numpy.random.randn(d0,d1,…,dn)

randn函數返回一個或一組樣本，具有標準正態分佈（u分佈，0為均值、1為標準差的正態分佈，記為N（0，1））。
dn：維度
返回值為指定維度的array

>>> 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]]])

上面生成的都是小數，下面生成整數

4. np.random.randint()

numpy.random.randint(low, high=None, size=None, dtype='l')

函數作用：返回一個隨機整型數或亂數陣列，範圍從低（閉）到高（開），即[low, high)。

如果沒有寫引數high的值，則返回[0,low)的值。

引數如下：

low: int生成的數值最低要大於等於low。（hign = None時，生成的數值要在[0, low)區間內）
high: int (可選)如果使用這個值，則生成的數值在[low, high)區間。
size: int or tuple of ints(可選)輸出亂數的尺寸，比如size = (m * n* k)則輸出同規模即m * n* k個亂數。預設是None的，僅僅返回滿足要求的單一亂數。
dtype: dtype(可選)：想要輸出的格式。如int64、int等等

注：範圍不對有可能報錯 ValueError: low >= high

>>> np.random.randint(2, size=10)
array([1, 0, 0, 0, 1, 1, 0, 0, 1, 0])
>>>np.random.randint(2, high=10, size=(2,3))
array([[6, 8, 7],
       [2, 5, 2]])

5. np.random.choice()

numpy.random.choice(a, size=None, replace=True, p=None)

從給定的一維陣列中生成亂數
引數： a為一維陣列類似資料或整數；size為陣列維度；p為陣列中的資料出現的概率|權重
a為整數時，對應的一維陣列為np.arange(a)

>>> np.random.choice(5,3)
array([4, 1, 4])
>>> np.random.choice(5, 3, replace=False)
# 當replace為False時，生成的亂數不能有重複的數值（放不放回）
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')

引數p的長度與引數a的長度需要一致；
引數p為概率，p裡的資料之和應為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. np.random.seed()

np.random.seed()的作用：使得亂資料可預測。
當我們設定相同的seed，每次生成的亂數相同。如果不設定seed，則每次會生成不同的亂數
當我們把種子seed固定的時候（用一個數位），同一個種子（數位）產生的隨機序列就會一樣。

>>> 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 ])

7. 隨機分佈

我們在生成資料的時候，有時需要按照特定的統計學分佈來生成，比如一個正態分佈的抽樣資料，或者均勻分佈的資料抽樣結果，又或者泊松分佈等等，都可以用 Numpy 來實現。機器學習中比較常用的正態分佈和均勻分佈。

# (均值，方差，size)
print("正態分佈：", np.random.normal(1, 0.2, 10))
# (最低，最高，size)
print("均勻分佈：", np.random.uniform(-1, 1, 10))

8. 打亂功能

np.random.permutation(), 它實現的是 np.random.shuffle() 的一種特殊形式。

可以說是一種簡單處理特殊情況的功能。

它有兩個方便之處：

1. 直接生成亂序的序列號
2. 對資料亂序

相比 np.random.shuffle()，permutation 有一個好處，就是可以返回一個新資料，對原本的資料沒有影響。而且還可以處理多維資料。

np.random.permutation(10)) # 直接出10個亂序數
data = np.arange(12).reshape([6,2])
np.random.permutation(data)) # 將資料在第一維度上打亂

以上為個人經驗，希望能給大家一個參考，也希望大家多多支援it145.com。