numpy.random.Generator.choice#

方法

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

从一个给定的数组生成一个随机样本

参数:
a{array_like, int}

如果是一个 ndarray,则从其元素中生成一个随机样本.如果是一个 int,则从 np.arange(a) 中生成一个随机样本.

size{int, tuple[int]}, 可选

输出形状.如果给定的形状是,例如,``(m, n, k)``,那么从 1-d a 中抽取 m * n * k 个样本.如果 a 有多个维度,`size` 形状将被插入到 axis 维度中,因此输出的 ndim 将是 a.ndim - 1 + len(size).默认是 None,在这种情况下返回一个单一值.

replace布尔值, 可选

样本是有放回还是无放回.默认为True,表示可以多次选择值``a``.

p1-D 类数组, 可选

与 a 中每个条目相关的概率.如果未给出,样本假设 a 中所有条目的均匀分布.

axisint, 可选

执行选择的轴.默认值为0,按行选择.

shuffle布尔值, 可选

在无放回抽样时,样本是否被打乱.默认是 True,False 提供了一个加速.

返回:
samples单个项目或 ndarray

生成的随机样本

引发:
ValueError

如果 a 是 int 且小于零,如果 p 不是一维的,如果 a 是类数组且大小为 0,如果 p 不是概率向量,如果 a 和 p 的长度不同,或者如果 replace=False 且样本大小大于总体大小.

参见

integers, shuffle, permutation

备注

通过 p 设置用户指定的概率使用了一个比默认更通用但效率较低的采样器.即使 p 的每个元素都是 1 / len(a),通用采样器产生的样本也与优化采样器不同.

p 在转换为 float64 时必须总和为 1.为了确保这一点,你可能希望使用 p = p / np.sum(p, dtype=float) 进行归一化.

示例

从 np.arange(5) 生成一个大小为 3 的均匀随机样本:

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

从 np.arange(5) 生成一个大小为 3 的非均匀随机样本:

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

从 np.arange(5) 生成一个大小为 3 的无放回均匀随机样本:

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

从二维数组沿第一个轴（默认）生成一个均匀随机样本,不进行替换:

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

从 np.arange(5) 中生成一个大小为 3 的非均匀随机样本,不进行替换:

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

以上任何一项都可以用任意类似数组的形式重复,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')
On this page