Python numpy Generator.choice用法及代码示例

本文简要介绍 python 语言中 numpy.random.Generator.choice 的用法。

用法:

random.Generator.choice(a, size=None, replace=True, p=None, axis=0, shuffle=True)

从给定数组生成随机样本

参数：

a： {数组, int}

如果是 ndarray，则从其元素生成随机样本。如果是 int，则从 np.arange(a) 生成随机样本。

size： {int，元组[int]}，可选

输出形状。如果给定的形状是，例如，(m, n, k)， 然后m * n * k样本是从一维中抽取的a.如果a具有多个维度，size形状将被插入轴维度，所以输出ndim将会a.ndim - 1 + len(size).默认为无，在这种情况下返回单个值。

replace： 布尔型，可选

样品是否有更换。默认值为 True，这意味着可以多次选择 a 的值。

p： 一维数组，可选

与 a 中的每个条目相关联的概率。如果未给出，则示例假定 a 中所有条目的均匀分布。

axis： 整数，可选

执行选择的轴。默认值为 0，按行选择。

shuffle： 布尔型，可选

无放回采样时是否对样本进行洗牌。默认为 True，False 提供加速。

返回：

samples： 单项或 ndarray

生成的随机样本

抛出：

ValueError

如果 a 是 int 并且小于零，如果 p 不是一维，如果 a 是大小为 0 的类似数组，如果 p 不是概率向量，如果 a 和 p 具有不同的长度，或者如果Replace=False 并且样本量大于总体大小。

注意：

通过p 设置用户指定的概率使用比默认设置更通用但效率更低的采样器。即使 p 的每个元素都是 1 /len(a)，通用采样器也会产生与优化采样器不同的样本。

例子：

从大小为 3 的 np.arange(5) 生成均匀随机样本：

>>> rng = np.random.default_rng()
>>> rng.choice(5, 3)
array([0, 3, 4]) # random
>>> #This is equivalent to rng.integers(0,5,3)

从大小为 3 的 np.arange(5) 生成非均匀随机样本：

>>> rng.choice(5, 3, p=[0.1, 0, 0.3, 0.6, 0])
array([3, 3, 0]) # random

从大小为 3 的 np.arange(5) 生成均匀随机样本，无需替换：

>>> rng.choice(5, 3, replace=False)
array([3,1,0]) # random
>>> #This is equivalent to rng.permutation(np.arange(5))[:3]

沿第一个轴(默认)从二维数组生成均匀随机样本，无需替换：

>>> rng.choice([[0, 1, 2], [3, 4, 5], [6, 7, 8]], 2, replace=False)
array([[3, 4, 5], # random
       [0, 1, 2]])

从大小为 3 的 np.arange(5) 生成非均匀随机样本，无需替换：

>>> rng.choice(5, 3, replace=False, p=[0.1, 0, 0.3, 0.6, 0])
array([2, 3, 0]) # random

上面的任何一个都可以用任意类似数组的方式重复，而不仅仅是整数。例如：

>>> aa_milne_arr = ['pooh', 'rabbit', 'piglet', 'Christopher']
>>> rng.choice(aa_milne_arr, 5, p=[0.5, 0.1, 0.1, 0.3])
array(['pooh', 'pooh', 'pooh', 'Christopher', 'piglet'], # random
      dtype='<U11')