如何生成指定区间中的随机数
要求生成区间[a, b]中的随机数。若要求为浮点数，则Python中只能近似达到这一要求，因为随机函数的取值区间一般都为左闭右开区间，因为只能无限接近b。
若要求为整数，那么将取数区间设置为[a,b 1)即可以取到b了。
具体如下：
1. random()
numpy.random.random(size=None)
- 生成[0.0, 1.0)的随机数。注意区间是左闭右开，取不到1.0。
- 生成的是浮点数。
- 参数size可以用于指定生成随机数的个数和形状。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]的随机数，因为前者的取值范围是[0,1)，是半开区间，所以右侧端点处的值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)的主要区别就在于参数。例如生成2*3的array。注意观察参数的形式。
>>>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()
生成指定区间的随机整数
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：取值的区间仍然是左闭右开区间[low, high)
若要求取[a,b]中的随机数，则
>>>np.random.randint(a, b 1)
python生成随机数总结
生成随机数和随机数操作
Python有自己专门处理随机数的功能，但大家最常用的还是numpy库里的生成随机数功能，因为Python 的 random 没有考虑数组类型的高效数据结构，所以在 array 类型的数据结构时，大家更喜欢直接用 Numpy 来生成，且它的功能更丰富，有各种随机数的生成方式，随机化当前数列，加速等。
Python自带random
import random print(random.random()) # 随机生成一个0-1之间的随机数，例如0.7679099295136553 print(random.randint(1, 10)) # 随机生成一个1-10之间的整数，如3
numpy库的random
先导入库
import numpy as np
1. np.random.random_integers
numpy.random.random_integers(low, high=None, size=None)
- 返回随机整数，范围区间为[low,high]，包含low和high
- 参数：low为最小值，high为最大值，size为数组维度大小
- high没有填写时，默认生成随机数的范围是[1，low]
该函数在最新的numpy版本中已被替代，建议使用randint函数
>>> np.random.random_integers(1,size=5) array([1, 1, 1, 1, 1])
2. np.random.rand() 或 np.random.random()
# 功能一样，写法有点区别 np.random.rand(d0,d1,…,dn) np.random.random([d0,d1,…,dn])
- rand函数根据给定维度，生成[0,1)之间的数据，包含0，不包含1
- dn：生成维度
- 返回值为指定维度的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函数返回一个或一组样本，具有标准正态分布（u分布，0为均值、1为标准差的正态分布，记为N（0，1））。
- dn：维度
- 返回值为指定维度的array
>>> np.random.randn() # 当没有参数时，返回单个数据 -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]]])
上面生成的都是小数，下面生成整数
4. np.random.randint()
numpy.random.randint(low, high=None, size=None, dtype='l')
函数作用：返回一个随机整型数或随机数数组，范围从低（闭）到高（开），即[low, high)。
如果没有写参数high的值，则返回[0,low)的值。
参数如下：
-
low: int生成的数值最低要大于等于low。（hign = None时，生成的数值要在[0, low)区间内） -
high: int (可选)如果使用这个值，则生成的数值在[low, high)区间。 -
size: int or tuple of ints(可选)输出随机数的尺寸，比如size = (m * n* k)则输出同规模即m * n* k个随机数。默认是None的，仅仅返回满足要求的单一随机数。 -
dtype: dtype(可选)：想要输出的格式。如int64、int等等
注：范围不对有可能报错 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)
- 从给定的一维数组中生成随机数
- 参数： a为一维数组类似数据或整数；size为数组维度；p为数组中的数据出现的概率|权重
- a为整数时，对应的一维数组为np.arange(a)
>>> np.random.choice(5,3) array([4, 1, 4]) >>> np.random.choice(5, 3, replace=False) # 当replace为False时，生成的随机数不能有重复的数值（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')
- 参数p的长度与参数a的长度需要一致；
- 参数p为概率，p里的数据之和应为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：使得随机数据可预测。
- 当我们设置相同的seed，每次生成的随机数相同。如果不设置seed，则每次会生成不同的随机数
- 当我们把种子seed固定的时候（用一个数字），同一个种子（数字）产生的随机序列就会一样。
>>> 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. 随机分布
我们在生成数据的时候，有时需要按照特定的统计学分布来生成，比如一个正态分布的抽样数据，或者均匀分布的数据抽样结果，又或者泊松分布等等，都可以用 Numpy 来实现。机器学习中比较常用的 正态分布 和 均匀分布。
# (均值，方差，size)
print("正态分布：", np.random.normal(1, 0.2, 10))
# (最低，最高，size)
print("均匀分布：", np.random.uniform(-1, 1, 10))8. 打乱功能
np.random.permutation(), 它实现的是 np.random.shuffle() 的一种特殊形式。
可以说是一种简单处理特殊情况的功能。
它有两个方便之处：
- 1. 直接生成乱序的序列号
- 2. 对数据乱序
相比 np.random.shuffle()，permutation 有一个好处，就是可以返回一个新数据，对原本的数据没有影响。而且还可以处理多维数据。
np.random.permutation(10)) # 直接出10个乱序数 data = np.arange(12).reshape([6,2]) np.random.permutation(data)) # 将数据在第一维度上打乱
以上为个人经验，希望能给大家一个参考，也希望大家多多支持Devmax。