Рубрики
Без рубрики

4 способа выполнить случайную выборку в Numpy

Здравствуйте, читатели! В этой статье мы будем сосредоточиться на 4 простых способах выполнения случайной выборки в Python Numpy.

Автор оригинала: Pankaj Kumar.

Здравствуйте, читатели! В этой статье мы будем сосредоточиться на 4 простые способы выполнения случайной выборки в Python Numpy Отказ

Итак, давайте начнем! 🙂.

Случайная выборка, чтобы дать обзор, фактически выбирает случайные значения из определенного типа данных и представить их в дальнейшем использовании.

В ходе этой темы мы будем смотреть на функции ниже

  1. Numpy Random_sample () метод
  2. Mempy Ranf () метод
  3. Метод Numpy Random_integers ()
  4. Numpy randint () метод

1. Numpy Random_Sample () Метод случайной выборки

С Способ Random_sample () , мы можем попробовать значения данных и выбирать случайные данные о жирах. Он выбирает случайные образцы между [0,0 – 1,0] только. Мы можем построить один образец, а также весь массив на основе случайных значений.

Посмотрите на синтаксис ниже!

random.random_sample()

Пример:

В приведенном ниже примере, сначала мы выполнили случайную выборку и сгенерировали одно случайное значение. Кроме того, мы создали двумерное массив со случайными значениями, передавая размер в качестве параметра на функцию Random_Sample ().

Обратите внимание, что случайные значения имеют только от 0,0 до 1,0. PLUS, PROMARD_SAMPLE () Функция генерирует случайные значения плавающего типа.

import numpy as np

ran_val = np.random.random_sample()
print ("Random value : ", ran_val)

ran_arr = np.random.random_sample(size =(2, 4))
print ("Array filled with random float values: ", ran_arr) 

Выход:

Random value :  0.3733413809567606
Array filled with random float values:  [[0.45421908 0.34993556 0.79641287 0.56985183]
                                        [0.88683577 0.91995939 0.16168328 0.35923753]]

2. Функция Random_integers ()

С Функция Random_integers () , мы можем генерировать случайные значения или даже многомерный массив случайного значения целого типа типа. То, что он генерирует случайные значения типа целого числа. Кроме того, он дает нам свободу выбрать диапазон целочисленных значений, из которых будут выбраны случайные числа.

Синтаксис:

random_integers(low, high, size)
  • Низкий : Самый низкий масштаб/предел для выбора случайных значений. Случайные значения не имеют значения ниже упомянутого низкого значения.
  • Высокий : Самый высокий масштаб/предел для выбора случайных значений. Случайные значения не имеют значения, не указанного выше.
  • Размер : Количество рядов и колонн для формирования массива.

Пример:

В этом примере мы создали одномерное случайное значение, имеющее значения только между диапазоном 5-10. Кроме того, мы настроили многомерный массив, используя одну и ту же концепцию.

import numpy as np

ran_val = np.random.random_integers(low = 5, high =10 , size = 3)
print ("Random value : ", ran_val)

ran_arr = np.random.random_integers(low = 5, high =10 , size = (2,4))
print ("Array filled with random float values: ", ran_arr) 

Выход:

Random value :  [10  5  9]
Array filled with random float values:  [[ 8  8  9  6]
                                        [ 6 10  8 10]]

3. Функция randint ()

Randint () Функция Работает в аналогичной форме как функции Random_integers (). Это создает массив, имеющий случайные значения в пределах указанного диапазона целых чисел.

Пример:

import numpy as np

ran_val = np.random.randint(low = 5, high =10 , size = 3)
print ("Random value : ", ran_val)

Выход:

Random value :  [5 8 9]

4. Функция RANF ()

Опять же, Ranf () Функция напоминает метод Random_Sample () с точки зрения функционирования. Он генерирует случайные числа типа поплавок от 0,0 до 1,0.

Пример:

import numpy as np

ran_val = np.random.ranf()
print ("Random value : ", ran_val)

Выход:

Random value :  0.8328458165202546

Заключение

Не стесняйтесь комментировать ниже, если вы столкнетесь с любыми вопросами. Для получения дополнительных таких постов, связанных с программированием Python, оставайся настроенными нами! До этого, счастливое обучение! 🙂.