numpy随机数和随机操作

np.random.rand(dim1,dim2,dim3...)

• 生成带shape[0,1)之间取值的Array

np.random.random([dim1,dim2])

• 与rand类似

np.random.randint(low,high,size)

• 随机生成再[low,high)之间的size个数

np.random.choice(arr,size)

• 在一组数据中随机选择一些数据
• 其他：
  • np.random.choice(arr) #选一个
  • np.random.choice(arr,size) #选多个
  • np.random.choice(arr,size,replace=False). #不重复的选择
  • np.random.choice(arr,size,p=[0,0.2,0.3]). #带权重的选择

np.random.shuffle(arr)

• 对原有数据进行随机打乱
• 如果需要保留原始数据，需要使用copy()

np.random.permutation()

• 返回一个新数据
• 直接生成乱序的序列号

np.random.normal(means,std,size)

• 生成一个正太分布的随机数据

np.random.uniform(low,high,size)

• 生成一个均匀分布

有时，为了比较初始化模型的优劣，或者在强化学习中要固定随机环境的伪随机序列，用于复现当前配置的情况，需要使用伪随机

np.random.seed(1)

• 1是随机序号
• 相同的随机序号每次运行的结果是一样的

'''
Description: 随机数和随机生成
Autor: 365JHWZGo
Date: 2021-11-17 21:58:26
LastEditors: 365JHWZGo
LastEditTime: 2021-11-17 22:50:36
'''

import numpy as np

data = np.arange(20,dtype=int)
print('原始data:n',data)

print('random.randn:n',np.random.randn(3,4))
print('random.random:n',np.random.random([3,4]))
print('random.randint:n',np.random.randint(1,10,10))

print('random.choice:n',np.random.choice(data,2,replace=False))
print('random.shuffle:n',np.random.shuffle(data))
print('shuffle之后的data:n',data)
data = np.arange(20,dtype=int)
print('random.permutation:n',np.random.permutation(data))
print('permutation之后的data:n',data)
print('random.normal:n',np.random.normal(0,1,5))
print('random.uniform:n',np.random.uniform(-1,1,5))

运行结果：

原始data:
 [ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19]
random.randn:
 [[ 1.09915619  0.81003414 -0.25341824  0.06337777]
 [ 0.51571388 -0.63545361  2.03279423 -0.20790151]
 [ 0.66207485 -0.56811394 -0.87433004 -1.39413948]]
random.random:
 [[0.43306495 0.46688371 0.38891675 0.17372101]
 [0.73356162 0.8906067  0.83650494 0.46585826]
 [0.08245838 0.06174975 0.0184939  0.47244699]]
random.randint:
 [2 3 2 4 6 2 1 1 4 4]
random.choice:
 [6 5]
random.shuffle:
 None
shuffle之后的data:
 [19  8  3 15  9 14 12  7  5 13  4  2 16  1  0  6 18 11 17 10]
random.permutation:
 [ 1 19  3 17 10 14  0  4 12 18  2 13  8 16  7 11  5  9  6 15]
permutation之后的data:
 [ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19]
random.normal:
 [ 0.24561853  1.34731891 -1.11859979  0.07651908 -2.2713683 ]
random.uniform:
 [-0.30733277 -0.3373615  -0.37874023  0.78895057  0.22378715]