numpy是Python中经常要使用的一个库,而其中的random模块经常用来生成一些数组,本文接下来将介绍numpy中random模块的一些使用方法。
首先查看numpy的版本:
import numpy
numpy.__version__
'1.18.2'
numpy获得随机数有两种方式:
- 结合BitGenerator生成伪随机数
- 结合Generate从一些统计分布中采样生成伪随机数
BitGenerator:生成随机数的对象。包含32或64位序列的无符号整数
Generator:将从BitGenerator生成的随机数序列转换为遵从特定概率分布(均匀、正态或二项式等)的数字序列的对象。
从Numpy版本1.17.0开始,可以使用许多不同的BitGenerators初始化Generator。 它包含了许多不同的概率分布。 传统的RandomState随机数例程仍然可用,但仅限于单个BitGenerator。为了方便和向后兼容,单个RandomState实例的方法被导入到numpy.random命名空间。
默认情况下,Generator使用PCG64提供的位,该位具有比RandomState中的传统mt19937随机数生成器更好的统计属性。
使用旧的numpy.random.RandomState
from numpy import random
random.standard_normal()
结果:1.3768264062478266
Generator可以替代RandomState。 现在,两个类实例都拥有一个内部BitGenerator实例来提供位流,可以通过gen.bit_generator对其进行访问。 某些过期的API清除意味着已从Generator中删除了旧方法和兼容性方法。
# As replacement for RandomState(); default_rng() instantiates Generator with
# the default PCG64 BitGenerator.
from numpy.random import default_rng
rg = default_rng()
rg.standard_normal()
rg.bit_generator
<numpy.random._pcg64.PCG64 at 0x7f6f87dac270>
以下这种方式可以支持RandomState和Generator,但是它们的接口有很大的不同:
try:
rg_integers = rg.integers
except AttributeError:
rg_integers = rg.randint
a = rg_integers(1000)
结果:775
种子可以传递给任何BitGenerator。 提供的值通过SeedSequence进行混合,以将可能的种子序列分布在BitGenerator的更广泛的初始化状态中。 这里使用PCG64,并用Generator包裹。
from numpy.random import Generator, PCG64
rg = Generator(PCG64(12345))
rg.standard_normal()
结果:-1.4238250364546312
新的基础结构采用了不同的方法来从RandomState对象生成随机数。 随机数生成分为两个部分,即位生成器和随机生成器。 BitGenerator的职责有限。 它管理状态并提供产生随机双精度数和随机无符号32位和64位值的功能。随机生成器采用生成器提供的流并将其转换成更有用的分布,例如模拟的正常随机值。 这种结构允许使用很少的代码重复来使用替代位生成器。 Generator是面向用户的对象,几乎与RandomState相同。 初始化生成器的规范方法将PCG64位生成器作为唯一参数。
from numpy.random import default_rng
rg = default_rng(12345)
rg.random()
结果:0.22733602246716966
也可以直接使用BitGenerator实例实例化Generator。 要使用较旧的MT19937算法,可以直接实例化并将其传递给Generator
from numpy.random import Generator, MT19937
rg = Generator(MT19937(12345))
rg.random()
结果:0.37786929937474845
警告:生成器不再提供用于生成NumPy标准的Box-Muller方法。 使用Generator不能为正态分布或任何其他依赖于正态的分布(例如RandomState.gamma RandomState.standard_t)确切的随机值。 如果需要按位向后兼容流,请使用RandomState。
- Generator的常规,指数和伽马函数使用256步Ziggurat方法,比NumPy的Box-Muller或逆CDF实现快2-10倍。
- 可选的dtype参数,它接受np.float32或np.float64来为选择分布产生统一的单或双精度的随机变量
- 可选的out参数,允许为选择分布填充现有阵列
- random_entropy提供对密码应用程序中使用的系统随机性源的访问(例如Unix上的/ dev / urandom)。
- 所有BitGenerator都可以通过CType(ctype)和CFFI(cffi)生成double,uint64和uint32。这允许在numba中使用位生成器。
- 位生成器可通过Cython用于下游项目。
- 整数现在是从离散均匀分布中生成整数随机数的规范方法。 rand和randn方法仅可通过旧版RandomState使用。端点关键字可用于指定打开或关闭间隔。这将替换randint和已弃用的random_integers。
- random现在是生成浮点随机数的规范方法,它取代了RandomState.random_sample,RandomState.sample和RandomState.ranf。这与Python的随机性是一致的。
- 随机。
- numpy中的所有BitGenerator都使用SeedSequence将种子转换为初始化状态。
Generator可以访问广泛的发行版,并替代RandomState。 两者之间的主要区别在于Generator依赖于附加的BitGenerator来管理状态并生成随机位,然后将这些随机位从有用的分布转换为随机值。 Generator使用的默认BitGenerator为PCG64。 可以通过将实例化的BitGenerator传递给Generator来更改BitGenerator。
也就是说,设置了:
np.random.default_rng(PCG64(随机种子))
在生成随机数的时候都会是相同的。然后替换掉了原来的RandomState(随机种子)
如果省略seed或None,则每次都会实例化一个新的BitGenerator和Generator。 此功能不管理默认的全局实例。
Generator的一些方法:
Generator.integers(low, high=None, size=None, dtype=’int64’, endpoint=False)
例如:
rng = np.random.default_rng(PCG64(12345))
rng.integers(2, size=10)
结果:array([1, 0, 1, 0, 0, 1, 1, 1, 1, 0])
这里的意思是生成10个数,这是个数的取值范围在0-2之间,不包括2.
再看些例子:
rng.integers(5, size=(2, 4))
结果:array([[4, 3, 4, 0], [4, 0, 2, 1]])
rng.integers(1, [3, 5, 10])
结果:array([1, 3, 3])
这里的意思是生成1×3的数组,并且每一位都限制了取值范围。
rng.integers([1, 5, 7], 10)
结果:array([6, 6, 7])
rng.integers([1, 3, 5, 7], [[10], [20]], dtype=np.uint8)
结果:array([[ 1, 4, 8, 9], [ 5, 18, 16, 12]], dtype=uint8)
这里使用了广播机制。
Generator.random(size=None, dtype=’d’, out=None):
在半开区间[0.0,1.0)中返回随机浮点数。
结果来自指定时间间隔内的“连续均匀”分布。 要对𝑈𝑛𝑖𝑓[𝑎,𝑏)进行采样,𝑏>𝑎。将random的输出乘以(b-a)并加上a。
(b - a) * random() + a
看一些例子:
rng.random()
0.5110659735695771
type(rng.random())
float
rng.random((5,))
array([0.96743595, 0.68306482, 0.39162483, 0.18725257, 0.34596067])
我们可以稍加变化既可以改变获得区间的值了,例如区间为[-5,0)
5 * rng.random((3, 2)) - 5
array([[-0.54395295, -1.12218029], [-3.409267 , -0.37891552], [-2.64545057, -1.53120579]])
Generator.choice()
choice(a, size=None, replace=True, p=None, axis=0):
Generates a random sample from a given 1-D array
看一些例子:
Generate a uniform random sample from np.arange(5) of size 3:
rng.choice(5, 3)
array([3, 0, 2])
Generate a non-uniform random sample from np.arange(5) of size 3:
rng.choice(5, 3, p=[0.1, 0, 0.3, 0.6, 0])
array([2, 3, 3])
Generate a uniform random sample from np.arange(5) of size 3 without replacement:
rng.choice(5, 3, replace=False)
array([0, 4, 1])
Generate a non-uniform random sample from np.arange(5) of size 3 without replacement:
rng.choice(5, 3, replace=False, p=[0.1, 0, 0.3, 0.6, 0])
array([3, 2, 0])
Any of the above can be repeated with an arbitrary array-like instead of just integers. For instance:
aa_milne_arr = ['pooh', 'rabbit', 'piglet', 'Christopher']
rng.choice(aa_milne_arr, 5, p=[0.5, 0.1, 0.1, 0.3])
array(['piglet', 'Christopher', 'pooh', 'piglet', 'pooh'], dtype='<U11'
Generator.bytes(length)
Return random bytes.
Parameters
length [int] Number of random bytes.
Returns
out [str] String of length length.
看一些例子:
rng.bytes(10)
b'[\x95\xe8\xc4\xbd\x16\xd8\x85\xa7*'
接下来是另外一些方法:
Generator.shuffle(x)
看一些例子:
arr = np.arange(10)
arr
rng.shuffle(arr)
arr
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
array([9, 7, 8, 5, 0, 4, 3, 6, 1, 2])
arr = np.arange(9).reshape((3, 3))
arr
rng.shuffle(arr)
arr
array([[0, 1, 2], [3, 4, 5], [6, 7, 8]])
array([[6, 7, 8], [0, 1, 2], [3, 4, 5]])
Generator.permutation(x)
看一些例子:
rng.permutation(10)
array([1, 7, 4, 3, 0, 9, 2, 5, 8, 6])
rng.permutation([1, 4, 9, 12, 15])
array([15, 1, 9, 4, 12])
arr = np.arange(9).reshape((3, 3))
rng.permutation(arr)
array([[0, 1, 2], [6, 7, 8], [3, 4, 5]])
最后是一些统计分布:
就简单的看一个分布:
n, p = 10, .5 # number of trials, probability of each trial
s = rng.binomial(n, p, 1000)
# result of flipping a coin 10 times, tested 1000 times.
array([7, 8, 9, 4, 5, 6, 3, 5, 4, 7, 2, 7, 2, 7, 5, 4, 4, 7, 4, 6, 7, 4, 5, 5, 7, 4, 4, 6, 3, 4, 6, 6, 5, 7, 4, 7, 4, 7, 6, 6, 5, 6, 4, 6, 3, 6, 8, 8, 4, 7, 5, 5, 5, 5, 5, 8, 6, 3, 6, 5, 9, 4, 6, 5, 4, 3, 7, 2, 4, 5, 4, 5, 4, 6, 5, 6, 8, 3, 5, 3, 4, 5, 6, 4, 6, 6, 5, 7, 5, 8, 8, 5, 8, 6, 5, 5, 6, 8, 7, 8, 5, 1, 3, 5, 3, 5, 3, 4, 4, 7, 5, 3, 6, 7, 6, 1, 7, 4, 6, 6, 6, 3, 4, 3, 6, 3, 5, 6, 6, 5, 3, 7, 4, 5, 1, 4, 7, 6, 6, 5, 3, 4, 8, 3, 6, 4, 6, 3, 3, 5, 4, 6, 9, 3, 4, 4, 5, 4, 5, 4, 5, 7, 7, 4, 4, 5, 5, 2, 6, 6, 5, 3, 6, 3, 3, 5, 5, 8, 4, 4, 4, 7, 6, 1, 3, 8, 5, 5, 3, 4, 2, 7, 7, 5, 6, 3, 4, 5, 6, 5, 3, 7, 4, 6, 7, 3, 5, 5, 9, 6, 5, 6, 5, 3, 4, 6, 6, 5, 4, 3, 6, 4, 6, 7, 6, 5, 2, 6, 8, 4, 7, 5, 6, 6, 4, 5, 3, 3, 4, 6, 5, 7, 6, 7, 6, 5, 3, 5, 5, 3, 3, 8, 6, 4, 2, 4, 5, 8, 2, 6, 8, 8, 5, 6, 6, 2, 4, 7, 3, 3, 5, 7, 4, 5, 8, 7, 2, 6, 3, 8, 6, 7, 5, 3, 4, 3, 6, 7, 5, 7, 4, 5, 5, 5, 2, 3, 3, 6, 5, 9, 6, 4, 3, 6, 6, 3, 5, 8, 7, 3, 5, 7, 5, 2, 4, 4, 4, 8, 6, 9, 6, 8, 5, 7, 5, 6, 4, 7, 5, 7, 4, 5, 5, 7, 6, 4, 5, 7, 7, 6, 4, 7, 5, 6, 6, 6, 2, 4, 6, 6, 7, 6, 6, 7, 7, 4, 7, 8, 3, 5, 5, 5, 7, 1, 3, 6, 4, 5, 3, 8, 5, 3, 7, 5, 4, 3, 2, 7, 3, 4, 5, 3, 6, 6, 6, 4, 4, 6, 8, 5, 7, 3, 6, 4, 4, 2, 7, 3, 4, 4, 5, 6, 3, 3, 4, 7, 6, 7, 5, 1, 5, 4, 3, 4, 6, 5, 6, 6, 5, 5, 6, 6, 6, 4, 4, 6, 6, 6, 4, 2, 6, 3, 6, 2, 3, 3, 3, 6, 2, 4, 5, 5, 6, 5, 3, 3, 6, 4, 3, 4, 3, 6, 4, 5, 5, 5, 7, 5, 3, 6, 4, 4, 6, 4, 4, 5, 6, 6, 5, 1, 1, 3, 9, 5, 5, 6, 5, 3, 6, 4, 4, 2, 6, 6, 4, 2, 4, 3, 4, 6, 5, 5, 5, 5, 5, 5, 3, 7, 4, 7, 7, 5, 6, 5, 6, 8, 1, 7, 4, 4, 6, 4, 5, 3, 2, 5, 3, 7, 2, 3, 7, 4, 5, 2, 6, 5, 6, 6, 6, 5, 5, 6, 4, 6, 3, 7, 5, 3, 4, 4, 3, 5, 5, 5, 5, 4, 6, 5, 1, 6, 2, 5, 5, 7, 7, 4, 5, 3, 5, 4, 5, 5, 7, 5, 7, 5, 4, 8, 4, 2, 4, 6, 5, 6, 6, 7, 3, 7, 4, 5, 7, 4, 5, 4, 3, 5, 3, 2, 5, 4, 6, 5, 4, 4, 7, 6, 5, 3, 5, 3, 3, 5, 3, 3, 5, 6, 4, 7, 3, 5, 4, 6, 5, 5, 3, 4, 4, 6, 7, 7, 7, 6, 7, 6, 2, 3, 3, 6, 6, 3, 4, 3, 7, 6, 6, 5, 5, 5, 3, 5, 5, 6, 3, 7, 6, 6, 4, 5, 6, 4, 6, 5, 6, 5, 6, 8, 6, 1, 3, 5, 5, 5, 5, 5, 3, 6, 5, 7, 7, 8, 6, 3, 5, 5, 4, 2, 6, 6, 4, 1, 6, 6, 3, 4, 4, 6, 7, 6, 4, 4, 5, 6, 4, 4, 5, 6, 6, 5, 2, 4, 5, 4, 8, 4, 7, 4, 6, 6, 9, 6, 7, 7, 4, 5, 3, 4, 7, 4, 4, 4, 6, 3, 5, 3, 7, 3, 5, 8, 6, 5, 6, 5, 3, 6, 7, 4, 5, 7, 4, 4, 4, 3, 7, 6, 6, 6, 7, 5, 8, 1, 4, 4, 5, 6, 7, 8, 7, 5, 5, 5, 1, 5, 6, 3, 4, 3, 3, 4, 5, 3, 6, 6, 9, 6, 2, 3, 7, 3, 4, 5, 6, 5, 2, 4, 8, 4, 6, 4, 2, 4, 5, 7, 4, 7, 3, 4, 5, 8, 4, 4, 2, 4, 6, 6, 5, 7, 2, 6, 5, 5, 4, 3, 3, 3, 5, 8, 3, 7, 6, 4, 3, 4, 8, 5, 9, 4, 3, 5, 3, 5, 5, 8, 6, 1, 2, 1, 5, 5, 5, 7, 4, 5, 7, 6, 4, 3, 3, 8, 3, 2, 6, 5, 5, 6, 4, 4, 4, 3, 6, 5, 5, 5, 6, 6, 6, 4, 3, 5, 4, 5, 7, 3, 4, 4, 5, 5, 4, 7, 5, 3, 6, 6, 5, 6, 6, 4, 7, 6, 3, 4, 2, 6, 3, 5, 5, 3, 9, 7, 9, 4, 4, 3, 9, 6, 3, 1, 6, 4, 4, 6, 6, 5, 7, 5, 5, 5, 5, 4, 6, 6, 3, 5, 5, 5, 5, 6, 5, 5, 7, 3, 6, 3, 2, 7, 3, 3, 6, 4, 5, 5, 5, 6, 5, 6, 4, 3, 6, 8, 7, 3, 5, 6, 5, 6, 8, 6, 7, 4, 5, 7, 4, 5, 6, 4, 6, 6, 5, 4, 4, 5, 4, 6, 6, 3, 6, 6, 6, 6, 6, 3, 4, 6, 6, 4, 5, 3, 6, 6, 2, 6, 4, 4, 5, 7, 4, 6, 9, 6, 6, 6])
参考了numpy==1.17.4的英文文档。
来源:oschina
链接:https://my.oschina.net/u/4323755/blog/3235609