Python numpy Generator.choice用法及代碼示例

本文簡要介紹 python 語言中 numpy.random.Generator.choice 的用法。

用法:

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

從給定數組生成隨機樣本

參數：

a： {數組, int}

如果是 ndarray，則從其元素生成隨機樣本。如果是 int，則從 np.arange(a) 生成隨機樣本。

size： {int，元組[int]}，可選

輸出形狀。如果給定的形狀是，例如，(m, n, k)， 然後m * n * k樣本是從一維中抽取的a.如果a具有多個維度，size形狀將被插入軸維度，所以輸出ndim將會a.ndim - 1 + len(size).默認為無，在這種情況下返回單個值。

replace： 布爾型，可選

樣品是否有更換。默認值為 True，這意味著可以多次選擇 a 的值。

p： 一維數組，可選

與 a 中的每個條目相關聯的概率。如果未給出，則示例假定 a 中所有條目的均勻分布。

axis： 整數，可選

執行選擇的軸。默認值為 0，按行選擇。

shuffle： 布爾型，可選

無放回采樣時是否對樣本進行洗牌。默認為 True，False 提供加速。

返回：

samples： 單項或 ndarray

生成的隨機樣本

拋出：

ValueError

如果 a 是 int 並且小於零，如果 p 不是一維，如果 a 是大小為 0 的類似數組，如果 p 不是概率向量，如果 a 和 p 具有不同的長度，或者如果Replace=False 並且樣本量大於總體大小。

注意：

通過p 設置用戶指定的概率使用比默認設置更通用但效率更低的采樣器。即使 p 的每個元素都是 1 /len(a)，通用采樣器也會產生與優化采樣器不同的樣本。

例子：

從大小為 3 的 np.arange(5) 生成均勻隨機樣本：

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

從大小為 3 的 np.arange(5) 生成非均勻隨機樣本：

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

從大小為 3 的 np.arange(5) 生成均勻隨機樣本，無需替換：

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

沿第一個軸(默認)從二維數組生成均勻隨機樣本，無需替換：

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

從大小為 3 的 np.arange(5) 生成非均勻隨機樣本，無需替換：

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

上麵的任何一個都可以用任意類似數組的方式重複，而不僅僅是整數。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')