python机器学习库numpy---7.3、生成随机数-随机种子

python机器学习库numpy---7.3、生成随机数-随机种子

一、总结

一句话总结：

设置随机数种子主要是两个方法，一个是RandomState方法，一个是seed方法

随机种子方法

RandomState：定义种子类：RandomState是一个种子类，提供了各种种子方法，最常用seed
seed([seed])：定义全局种子：参数为整数或者矩阵

代码示例：

import numpy as np
rs = np.random.RandomState(1)  
data = rs.rand(30)
print(data)


import numpy as np
np.random.seed(1) #设置随机种子为1
print(np.random.rand(30))

 

 

 

二、7.3、生成随机数-随机种子

博客对应课程的视频位置：7.3、生成随机数-随机种子-范仁义-读书编程笔记
https://www.fanrenyi.com/video/38/349

 

7、生成随机数

（1）、均匀分布

a、服从[0, 1)之间的均匀分布：
numpy.random.rand(d0, d1, ..., dn)

b、[0, 1)之间均匀抽样：
numpy.random.random(size=None)
和rand函数功能一样，参数不同而已

c、在区间[low, high)中均匀分布：
numpy.random.uniform(low=0.0, high=1.0, size=None)

d、随机整数：在区间[low, high)中离散均匀抽样：
numpy.random.randint(low, high=None, size=None, dtype='l')

---

python中，random.random( )和random.rand( )功能完全一样，numpy为什么要留两个表示0-1均匀分布的函数？

历史原因，可能是为了使 Matlab 用户更容易学习 python+numpy 的组合。如果把其中一个函数去掉，所带来的麻烦远大于好处，因为有很多现存的代码分别使用了这两个函数。

（2）、正态分布

a、标准正态分布（均值为0，标准差为1）：
numpy.random.randn(d0, d1, ..., dn)

b、服从μ=loc,σ=scale 的正态分布：
numpy.random.normal(loc=0.0, scale=1.0, size=None)

（3）、随机种子

RandomState：定义种子类：RandomState是一个种子类，提供了各种种子方法，最常用seed

seed([seed])：定义全局种子：参数为整数或者矩阵

代码示例：

np.random.seed(1234) #设置随机种子为1234

（1）、均匀分布

（a）、服从[0, 1)之间的均匀分布：numpy.random.rand(d0, d1, ..., dn)

作用：

产生一个给定形状的数组（其实应该是ndarray对象或者是一个单值），数组中的值服从[0, 1)之间的均匀分布。

参数：

d0, d, ..., dn : int，可选。如果没有参数则返回一个float型的随机数，该随机数服从[0, 1)之间的均匀分布。

返回值：

ndarray对象或者一个float型的值

In [2]:

import numpy as np
print(np.random.rand())

0.5453255015277448

In [3]:

print(np.random.rand(3))

[0.90757678 0.03145185 0.95313326]

In [4]:

print(np.random.rand(3,4))

[[0.97597192 0.28732266 0.17960605 0.85840045]
 [0.8457097  0.11786519 0.59764586 0.5142609 ]
 [0.68330079 0.44224353 0.36096329 0.32893185]]

In [5]:

import matplotlib.pyplot as plt  # 导入matplotlib模块，用于图表辅助分析
%matplotlib inline

# 解决中文乱码
plt.rcParams["font.sans-serif"]=["SimHei"]
plt.rcParams["font.family"]="sans-serif"
# 解决负号无法显示的问题
plt.rcParams['axes.unicode_minus'] =False

data_x = np.random.rand(1000)
data_y = np.random.rand(1000)
plt.scatter(data_x,data_y)

Out[5]:

<matplotlib.collections.PathCollection at 0x21cf86ec448>

(b)、[0, 1)之间均匀抽样：numpy.random.random(size=None)

作用：

返回从[0, 1)之间均匀抽样的数组，size指定形状。

参数：

size：

int型或int型的元组，如果不提供则返回一个服从该分布的随机数

返回值：

float型或者float型的ndarray对象

In [6]:

# 无参数
print(np.random.random())

0.25733366399724056

In [8]:

print(np.random.random(size=(3,)))

[0.87588153 0.41083416 0.92811127]

In [9]:

# 元组做参数
print(np.random.random((4,3)))

[[0.03027158 0.09068682 0.08516664]
 [0.88818931 0.7542361  0.97077598]
 [0.58459742 0.66082839 0.51209488]
 [0.52616617 0.99295998 0.9026425 ]]

In [10]:

import matplotlib.pyplot as plt  # 导入matplotlib模块，用于图表辅助分析
%matplotlib inline

# 解决中文乱码
plt.rcParams["font.sans-serif"]=["SimHei"]
plt.rcParams["font.family"]="sans-serif"
# 解决负号无法显示的问题
plt.rcParams['axes.unicode_minus'] =False

data_x = np.random.random((1000,))
data_y = np.random.random((1000,))
plt.scatter(data_x,data_y)

Out[10]:

<matplotlib.collections.PathCollection at 0x21cf877de88>

（c）、在区间[low, high)中均匀分布：numpy.random.uniform(low=0.0, high=1.0, size=None)

作用：

返回一个在区间[low, high)中均匀分布的数组，size指定形状。

参数：

low, high：float型或者float型的类数组对象。指定抽样区间为[low, high)，low的默认值为0.0，hign的默认值为1.0

size：

int型或int型元组。指定形状，如果不提供size，则返回一个服从该分布的随机数。

In [11]:

print(np.random.uniform())

0.8464163023853011

In [12]:

print(np.random.uniform(10,100,(4,5)))

[[86.86036611 82.50530283 51.3847694  14.54433224 85.78924098]
 [88.45675899 80.67287362 88.57930721 79.2433418  95.33601246]
 [97.38877669 97.10142936 75.48331286 47.14349932 50.931656  ]
 [57.54116023 34.31330871 39.62217741 79.27942515 34.2372894 ]]

In [13]:

import matplotlib.pyplot as plt  # 导入matplotlib模块，用于图表辅助分析
%matplotlib inline

# 解决中文乱码
plt.rcParams["font.sans-serif"]=["SimHei"]
plt.rcParams["font.family"]="sans-serif"
# 解决负号无法显示的问题
plt.rcParams['axes.unicode_minus'] =False

data_x = np.random.uniform(10,100,(1000,))
data_y = np.random.uniform(10,100,(1000,))
plt.scatter(data_x,data_y)

Out[13]:

<matplotlib.collections.PathCollection at 0x21cf8812ac8>

（d）、随机整数：在区间[low, high)中离散均匀抽样：numpy.random.randint(low, high=None, size=None, dtype='l')

作用：

返回一个在区间[low, high)中离散均匀抽样的数组，size指定形状，dtype指定数据类型。

参数：

low, high：int型，指定抽样区间[low, high)
size：int型或int型的元组，指定形状
dypte：可选参数，指定数据类型，比如int,int64等，默认是np.int

返回值：

如果指定了size，则返回一个int型的ndarray对象，否则返回一个服从该分布的int型随机数。

In [16]:

print(np.random.randint(10))

7

In [ ]:

# 只有一个参数的时候表示最大值
print(np.random.randint(10))

In [17]:

help(np.random.randint)

Help on built-in function randint:

randint(...) method of numpy.random.mtrand.RandomState instance
    randint(low, high=None, size=None, dtype='l')
    
    Return random integers from `low` (inclusive) to `high` (exclusive).
    
    Return random integers from the "discrete uniform" distribution of
    the specified dtype in the "half-open" interval [`low`, `high`). If
    `high` is None (the default), then results are from [0, `low`).
    
    .. note::
        New code should use the ``integers`` method of a ``default_rng()``
        instance instead; see `random-quick-start`.
    
    Parameters
    ----------
    low : int or array-like of ints
        Lowest (signed) integers to be drawn from the distribution (unless
        ``high=None``, in which case this parameter is one above the
        *highest* such integer).
    high : int or array-like of ints, optional
        If provided, one above the largest (signed) integer to be drawn
        from the distribution (see above for behavior if ``high=None``).
        If array-like, must contain integer values
    size : int or tuple of ints, optional
        Output shape.  If the given shape is, e.g., ``(m, n, k)``, then
        ``m * n * k`` samples are drawn.  Default is None, in which case a
        single value is returned.
    dtype : dtype, optional
        Desired dtype of the result. All dtypes are determined by their
        name, i.e., 'int64', 'int', etc, so byteorder is not available
        and a specific precision may have different C types depending
        on the platform. The default value is `np.int_`.
    
        .. versionadded:: 1.11.0
    
    Returns
    -------
    out : int or ndarray of ints
        `size`-shaped array of random integers from the appropriate
        distribution, or a single such random int if `size` not provided.
    
    See Also
    --------
    random_integers : similar to `randint`, only for the closed
        interval [`low`, `high`], and 1 is the lowest value if `high` is
        omitted.
    Generator.integers: which should be used for new code.
    
    Examples
    --------
    >>> np.random.randint(2, size=10)
    array([1, 0, 0, 0, 1, 1, 0, 0, 1, 0]) # random
    >>> np.random.randint(1, size=10)
    array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
    
    Generate a 2 x 4 array of ints between 0 and 4, inclusive:
    
    >>> np.random.randint(5, size=(2, 4))
    array([[4, 0, 2, 1], # random
           [3, 2, 2, 0]])
    
    Generate a 1 x 3 array with 3 different upper bounds
    
    >>> np.random.randint(1, [3, 5, 10])
    array([2, 2, 9]) # random
    
    Generate a 1 by 3 array with 3 different lower bounds
    
    >>> np.random.randint([1, 5, 7], 10)
    array([9, 8, 7]) # random
    
    Generate a 2 by 4 array using broadcasting with dtype of uint8
    
    >>> np.random.randint([1, 3, 5, 7], [[10], [20]], dtype=np.uint8)
    array([[ 8,  6,  9,  7], # random
           [ 1, 16,  9, 12]], dtype=uint8)

In [20]:

print(np.random.randint(low=10,size=(3,4),high=100))

[[60 19 81 87]
 [49 67 85 46]
 [69 25 92 44]]

In [21]:

import matplotlib.pyplot as plt  # 导入matplotlib模块，用于图表辅助分析
%matplotlib inline

# 解决中文乱码
plt.rcParams["font.sans-serif"]=["SimHei"]
plt.rcParams["font.family"]="sans-serif"
# 解决负号无法显示的问题
plt.rcParams['axes.unicode_minus'] =False

data_x = np.random.randint(10,100,(1000,))
data_y = np.random.randint(10,100,(1000,))
plt.scatter(data_x,data_y)

Out[21]:

<matplotlib.collections.PathCollection at 0x21cf8922348>

（2）、正态分布

（a）、标准正态分布（均值为0，标准差为1）：numpy.random.randn(d0, d1, ..., dn)

作用：

返回一个指定形状的数组，数组中的值服从标准正态分布（均值为0，标准差为1）。

参数：

d0, d, ..., dn : int，可选。如果没有参数，则返回一个服从标准正态分布的float型随机数。

返回值：

ndarray对象或者float

In [5]:

# 无参数
import numpy as np
print(np.random.randn())

0.13376456884878418

In [6]:

print(np.random.randn(3))

[ 0.00692413  1.7347139  -0.98832561]

In [7]:

# 3行4列 的正态分布
print(np.random.randn(3,4))
# 正态分布，所以我们可以看到结果有正有负

[[ 0.46288376 -0.9402719  -1.3791829   0.12095743]
 [ 1.47022746 -0.77955805 -0.38801507  0.52498791]
 [ 0.12182416  1.74959633  1.20357299 -1.10387593]]

In [8]:

import matplotlib.pyplot as plt  # 导入matplotlib模块，用于图表辅助分析
%matplotlib inline

# 解决中文乱码
plt.rcParams["font.sans-serif"]=["SimHei"]
plt.rcParams["font.family"]="sans-serif"
# 解决负号无法显示的问题
plt.rcParams['axes.unicode_minus'] =False

data_x = np.random.randn(1000)
data_y = np.random.randn(1000)
plt.scatter(data_x,data_y)

Out[8]:

<matplotlib.collections.PathCollection at 0x264250a59c8>

（b）、服从μ=loc,σ=scale 的正态分布：numpy.random.normal(loc=0.0, scale=1.0, size=None)

作用：

返回一个由size指定形状的数组，数组中的值服从 μ=loc,σ=scale 的正态分布。

参数：

loc : float型或者float型的类数组对象，指定均值 μ
scale : float型或者float型的类数组对象，指定标准差 σ
size : int型或者int型的元组，指定了数组的形状。如果不提供size，且loc和scale为标量（不是类数组对象），则返回一个服从该分布的随机数。

输出：

ndarray对象或者一个标量

In [9]:

# 无参数
print(np.random.normal())

1.3048521009886291

In [10]:

# 3行4列 的正态分布
print(np.random.normal(10,2,(3,4)))

[[ 6.64607268 14.28870815 11.04433027 12.77813207]
 [ 8.38923977 11.63867271 11.28538438 12.20541604]
 [10.08465579  8.88528815 12.41447794  7.58024792]]

In [11]:

import matplotlib.pyplot as plt  # 导入matplotlib模块，用于图表辅助分析
%matplotlib inline

# 解决中文乱码
plt.rcParams["font.sans-serif"]=["SimHei"]
plt.rcParams["font.family"]="sans-serif"
# 解决负号无法显示的问题
plt.rcParams['axes.unicode_minus'] =False

data_x = np.random.normal(10,2,(1000))
data_y = np.random.normal(10,2,(1000))
plt.scatter(data_x,data_y)

Out[11]:

<matplotlib.collections.PathCollection at 0x26425174688>

(3)、随机种子

计算机实现的随机数生成通常为伪随机数生成器，为了使得具备随机性的代码最终的结果可复现，需要设置相同的种子值

---

电脑产生随机数需要明白以下几点：

（1）随机数是由随机种子根据一定的计算方法计算出来的数值。所以，只要计算方法一定，随机种子一定，那么产生的随机数就不会变。 
（2）只要用户不设置随机种子，那么在默认情况下随机种子来自系统时钟（即定时/计数器的值） 
（3）随机数产生的算法与系统有关，Windows和Linux是不同的，也就是说，即便是随机种子一样，不同系统产生的随机数也不一样。 

---

随机种子方法

RandomState：定义种子类：RandomState是一个种子类，提供了各种种子方法，最常用seed

seed([seed])：定义全局种子：参数为整数或者矩阵

代码示例：

np.random.seed(1234) #设置随机种子为1234

In [3]:

#1为种子，种子不一样，生成的随机数也不一样，但是对每个种子来说，每次运行所生成的随机数是相同的
import numpy as np
rs = np.random.RandomState(1)  
data = rs.rand(30)
print(data)

[4.17022005e-01 7.20324493e-01 1.14374817e-04 3.02332573e-01
 1.46755891e-01 9.23385948e-02 1.86260211e-01 3.45560727e-01
 3.96767474e-01 5.38816734e-01 4.19194514e-01 6.85219500e-01
 2.04452250e-01 8.78117436e-01 2.73875932e-02 6.70467510e-01
 4.17304802e-01 5.58689828e-01 1.40386939e-01 1.98101489e-01
 8.00744569e-01 9.68261576e-01 3.13424178e-01 6.92322616e-01
 8.76389152e-01 8.94606664e-01 8.50442114e-02 3.90547832e-02
 1.69830420e-01 8.78142503e-01]

In [3]:

# 如果没设置随机数
import numpy as np
print(np.random.rand(30))

[0.91197644 0.6504751  0.54849346 0.1408817  0.79662447 0.7657173
 0.88059378 0.28970806 0.04421655 0.8258623  0.77949267 0.21584071
 0.54239107 0.84065671 0.98545231 0.93971736 0.94389124 0.4268576
 0.24076141 0.79165343 0.35609388 0.29818106 0.0966155  0.27966646
 0.11785404 0.485944   0.89728192 0.25347008 0.81296457 0.63926957]

In [4]:

import numpy as np
np.random.seed(1) #设置随机种子为1
print(np.random.rand(30))

[4.17022005e-01 7.20324493e-01 1.14374817e-04 3.02332573e-01
 1.46755891e-01 9.23385948e-02 1.86260211e-01 3.45560727e-01
 3.96767474e-01 5.38816734e-01 4.19194514e-01 6.85219500e-01
 2.04452250e-01 8.78117436e-01 2.73875932e-02 6.70467510e-01
 4.17304802e-01 5.58689828e-01 1.40386939e-01 1.98101489e-01
 8.00744569e-01 9.68261576e-01 3.13424178e-01 6.92322616e-01
 8.76389152e-01 8.94606664e-01 8.50442114e-02 3.90547832e-02
 1.69830420e-01 8.78142503e-01]

In [ ]: