24小时学会网站建设 百度云,wordpress4.7 主题,出口外贸网站建设,安溪县建设局网站random.rand函数
numpy.random.rand 是 NumPy 库中的一个函数#xff0c;用于从均匀分布中生成随机浮点数。这些浮点数位于半开区间 [0.0, 1.0)#xff0c;也就是说它们包括 0.0 但不包括 1.0。
1函数示例
numpy.random.rand(d0, d1, ..., dn)
参数
d0, d1, ..., dn用于从均匀分布中生成随机浮点数。这些浮点数位于半开区间 [0.0, 1.0)也就是说它们包括 0.0 但不包括 1.0。
1函数示例
numpy.random.rand(d0, d1, ..., dn)
参数
d0, d1, ..., dn整数表示输出的随机数组的维度。如果没有提供任何参数则返回一个标量单个随机浮点数。
返回值
返回一个形状为 (d0, d1, ..., dn) 的数组其中包含了从均匀分布 [0.0, 1.0) 中随机抽取的浮点数。
2示例
示例 1生成单个随机浮点数
import numpy as np # 生成一个位于 [0.0, 1.0) 之间的随机浮点数
random_float np.random.rand()
print(random_float)
输出结果 生成一个位于 [0.0, 1.0) 之间的随机浮点数
0.7292651888729444
示例 2生成一个随机浮点数数组
import numpy as np # 生成一个形状为 (3,) 的数组包含随机浮点数
random_floats np.random.rand(3)
print(random_floats)
输出结果类似于
[0.22655261 0.14549794 0.81959531]
示例 3生成一个二维随机浮点数数组
import numpy as np # 生成一个形状为 (2, 3) 的二维数组包含随机浮点数
random_matrix np.random.rand(2, 3)
print(random_matrix)
输出结果类似于
[[0.69793487 0.92080438 0.79024895] [0.21149495 0.55471829 0.96925194]]
示例 4生成一个多维随机浮点数数组
import numpy as np # 生成一个形状为 (2, 2, 2) 的三维数组包含随机浮点数
random_tensor np.random.rand(2, 2, 2)
print(random_tensor)
输出结果为
[[[0.1002439 0.65823964] [0.83135404 0.64682726]] [[0.23616227 0.45717437] [0.23748224 0.80672744]]]
3注意事项
numpy.random.rand 函数生成的随机数是从均匀分布中抽取的也就是说每个数在 [0.0, 1.0) 区间内被抽取的概率是相同的。生成的随机数实际上是伪随机数这意味着它们是通过一个确定的算法生成的并且在每次运行程序时如果随机数生成器的种子seed相同则生成的随机数序列也会相同。如果需要每次运行程序时都生成不同的随机数序列可以在程序开始时设置随机数生成器的种子如 np.random.seed(some_integer)。
通过 numpy.random.rand 函数你可以方便地生成任意形状的随机浮点数数组这在需要进行模拟、测试算法或创建随机数据集时非常有用。
random.standard_normal函数 numpy.random.standard_normal 是 NumPy 库中的一个函数用于从标准正态分布也称为单位正态分布中生成随机浮点数。标准正态分布是一种概率分布其均值为 0标准差为 1。
1函数示例
numpy.random.standard_normal(sizeNone)
参数
size整数或整数元组可选参数。输出数组的形状。如果未提供则返回一个标量单个随机浮点数。
返回值
返回一个形状为 size 的数组数组中的元素是从标准正态分布中随机抽取的浮点数。
2示例
示例 1生成单个标准正态分布的随机数
import numpy as np # 生成一个标准正态分布的随机数
random_normal np.random.standard_normal()
print(random_normal)
结果输出
-0.45627660030943773
示例 2生成一个标准正态分布的随机数组
import numpy as np # 生成一个形状为 (3,) 的数组包含标准正态分布的随机数
random_normals np.random.standard_normal(3)
print(random_normals)
结果输出
[-1.33435244 -0.1071087 -1.13890303]
示例 3生成一个二维标准正态分布的随机数组
import numpy as np # 生成一个形状为 (2, 3) 的二维数组包含标准正态分布的随机数
random_normal_matrix np.random.standard_normal((2, 3))
print(random_normal_matrix)
结果输出
[[-0.27204649 0.89816457 0.61386239][-0.39830262 -0.44730264 0.89667475]]
示例 4设置随机数生成器的种子以获得可重复的结果
import numpy as np # 设置随机数生成器的种子
np.random.seed(0) # 生成一个形状为 (3,) 的数组包含标准正态分布的随机数
# 由于设置了种子每次运行这段代码时都会得到相同的随机数序列
reproducible_normals np.random.standard_normal(3)
print(reproducible_normals)
结果输出
[1.76405235 0.40015721 0.97873798]
3注意事项
numpy.random.standard_normal 生成的是标准正态分布的随机数其均值mean为 0标准差standard deviation为 1。和 numpy.random.rand 一样numpy.random.standard_normal 生成的随机数也是伪随机数。如果需要可重复的随机数序列可以通过设置随机数生成器的种子来实现。标准正态分布在实际应用中非常广泛例如在统计学、机器学习、信号处理等领域中经常需要用到。通过 numpy.random.standard_normal 函数你可以方便地生成符合标准正态分布的随机数据。
random.normal 函数
numpy.random.normal 是 NumPy 库中的一个函数用于从正态分布也称为高斯分布中抽取随机样本。正态分布是一个连续概率分布其中大多数值聚集在均值附近远离均值的值越来越少。
1函数示例
numpy.random.normal(loc0.0, scale1.0, sizeNone)
参数
loc分布的均值或“中心”的浮点值。默认值为 0.0。scale分布的标准差或“宽度”或“分散度”的浮点值。默认值为 1.0。size输出的形状。如果为 None默认则返回一个值。如果为整数则返回一个形状为 (size,) 的一维数组。如果为形状元组则返回一个形状为 size 的数组。
返回值
返回一个或多个从正态分布中抽取的随机样本。
2举例说明
1.抽取一个随机样本
import numpy as np # 从均值为0标准差为1的正态分布中抽取一个随机样本
sample np.random.normal()
print(sample) 输出结果
2.240893199201458
2.抽取多个随机样本
import numpy as np # 从均值为0标准差为1的正态分布中抽取5个随机样本
samples np.random.normal(size5)
print(samples)
输出结果
[ 1.86755799 -0.97727788 0.95008842 -0.15135721 -0.10321885]
3.抽取具有指定均值和标准差的随机样本 import numpy as np # 从均值为3标准差为2的正态分布中抽取3个随机样本
samples np.random.normal(loc3, scale2, size3)
print(samples)
输出结果
[3.821197 3.28808714 5.90854701]4.抽取二维数组的随机样本
import numpy as np # 从均值为0标准差为1的正态分布中抽取一个2x3的随机样本数组
samples np.random.normal(size(2, 3))
print(samples)
输出结果
[[ 0.76103773 0.12167502 0.44386323][ 0.33367433 1.49407907 -0.20515826]]
这些例子展示了如何使用 numpy.random.normal 函数来从正态分布中抽取随机样本并可以通过调整 loc 和 scale 参数来改变分布的均值和标准差。size 参数用于指定输出的形状。
random.uniform函数
numpy.random.uniform 是 NumPy 库中的一个函数用于从均匀分布中抽取随机样本。均匀分布是一个概率分布其中所有可能的结果都有相同的概率被选中。
1函数示例
numpy.random.uniform(low0.0, high1.0, sizeNone)
参数
low分布的下界。所有生成的随机数都将大于或等于这个值。默认值为 0.0。high分布的上界不包含。所有生成的随机数都将小于这个值。默认值为 1.0。size输出的形状。如果为 None默认则返回一个值。如果为整数则返回一个形状为 (size,) 的一维数组。如果为形状元组则返回一个形状为 size 的数组。
返回值
返回一个或多个从均匀分布中抽取的随机样本。
2举例说明
1.抽取一个随机样本
import numpy as np # 从0到1之间的均匀分布中抽取一个随机样本
sample np.random.uniform()
print(sample) 结果输出
0.11827442586893322
2.抽取多个随机样本 import numpy as np # 从0到1之间的均匀分布中抽取5个随机样本
samples np.random.uniform(size5)
print(samples) 输出结果
[0.63992102 0.14335329 0.94466892 0.52184832 0.41466194]3.指定分布的范围
import numpy as np # 从2到8之间的均匀分布中抽取3个随机样本
samples np.random.uniform(low2, high8, size3)
print(samples) 输出结果
[3.58733367 6.64540214 4.73690199]
4.抽取二维数组的随机样本
import numpy as np # 从0到1之间的均匀分布中抽取一个2x3的随机样本数组
samples np.random.uniform(size(2, 3))
print(samples)
输出结果
[[0.56843395 0.0187898 0.6176355 ][0.61209572 0.616934 0.94374808]]这些例子展示了如何使用 numpy.random.uniform 函数来从均匀分布中抽取随机样本。你可以通过调整 low 和 high 参数来改变分布的范围并使用 size 参数来指定输出的形状。这个函数在需要生成一定范围内随机数的场合非常有用例如模拟、统计测试等。
