Автор оригинала: Pankaj Kumar.
Эй, читатели! В этой статье мы будем сосредоточиться на 4 Простые способы выполнения Numpy Random Sampling , в деталях.
Итак, давайте начнем !! 🙂.
Numpy Random Sampling – быстрый обзор
Часто работая с различными алгоритмами, мы столкнулись с ситуацией, которая нуждается в случайных образцах в качестве ввода для проверки случая использования для обработки различных алгоритмов.
В Numpy Module он предлагает нам различные функции для генерации случайных чисел в масштабе.
В контексте этой темы мы будем покрывать ниже в основном использованные Numpy случайная выборка функции-
- Метод Random_Sample ()
- Метод ranf ()
- Метод Random_integers ()
- Метод randint ()
Начнем! 🙂.
1. Отбор проб с помощью Numpy Random_integers ()
Функция Numpy Random_integers () позволяет нам иметь целочисленные тип случайных значений в больших масштабах. То есть он позволяет нам выбрать и установить границу, в течение которой необходимо сгенерировать случайные числа. Кроме того, кроме 1 мерных случайных чисел, он также предлагает нам многомерный массив случайных чисел.
Синтаксис-
random_integers(low, high, size)
Пример-
В приведенном ниже примере мы сгенерировали 10 случайных целочисленных значений между 2-4. Кроме того, мы создали многомерный массив случайных элементов между 2-6.
import numpy as np
ran_val = np.random.random_integers(low = 2, high =4, size = 10)
print ("1-D random values between 2-4 : ", ran_val)
ran_arr = np.random.random_integers(low = 2, high =6 , size = (2,4))
print ("Multi-dimensional Random values: ", ran_arr)
Выход-
1-D random values between 2-4 : [2 2 3 2 3 2 4 3 4 3] Multi-dimensional Random values: [[2 2 6 2] [5 3 6 3]]
2. Numpy Randint () метод
Помимо метода Random_Integers (), мы также можем использовать метод Randint () для генерации случайных целочисленных значений между границей диапазонов элементов.
Синтаксис-
numpy.random.randint()
Пример-
import numpy as np
ran_val = np.random.randint(low = 2, high =4 , size = 10)
print ("Random value : ", ran_val)
Выход-
Random value : [3 3 2 2 3 3 3 3 2 3]
3. NUMPY RANF () метод
Помимо случайных целочисленных значений, Numpy предоставляет нам метод RAND () для генерации случайных значений поплавка типа. Да, с функцией Ranf (), мы можем генерировать случайные элементы типа Float, но не позволяют нам назначить предел или границу. Сгенерированные значения обычно лежат только от 0,0 до 1,0.
Синтаксис-
numpy.random.ranf()
Пример-
import numpy as np
ran_val = np.random.ranf()
print ("Random value : ", ran_val)
Выход-
Как видно ниже, по умолчанию RANF () генерирует случайное значение от 0,0 до 1,0
0.5362704323381403
4. Numpy Random_Sample () Метод
В синхронизации с функцией Random_integers () методом Random_Sample () позволяет нам иметь диапазон случайных значений поплавка в качестве одномерной части или даже многомерного массива.
Но случайные значения падают только от 0,0 до 1,0. Мы не можем иметь индивидуальный диапазон/граничный набор для того же.
Синтаксис-
random.random_sample()
Пример-
Как видно ниже, мы сначала сгенерировали случайное значение, которое скалярно I.e. Одиночное случайное значение поплавка, которое назначается от 0,0 до 1,0.
Кроме того, мы вызвали создание многомерных (3 × 4) матрицы случайных поплавковых чисел. Это тоже случайно назначается между пулом значений от 0,0 до 1,0 только.
import numpy as np
ran_val = np.random.random_sample()
print ("Scalar Random value : ", ran_val)
ran_arr = np.random.random_sample(size =(3, 4))
print ("multidimensional random float values: ", ran_arr)
Выход-
Scalar Random value : 0.6498985305191337 multidimensional random float values: [[0.61522696 0.72018429 0.18743109 0.52126969] [0.79797983 0.17670717 0.86525955 0.06075286] [0.77015018 0.61547265 0.21452044 0.42709117]]
Заключение
По этому, мы подошли к концу этой темы. Не стесняйтесь комментировать ниже, если вы столкнетесь с любым вопросом. Для более таких постов, связанных с программированием Python, оставайся настроенными нами.
До этого, счастливого обучения !! 🙂.