numpy.random.choice#

random.choice(a, size=None, replace=True, p=None)#

从给定的 1-D 数组生成一个随机样本

备注

新代码应该使用 choice 方法,该方法是 Generator 实例的一个方法;请参阅 快速入门 .

警告

此函数使用 C-long dtype,它在 windows 上是 32 位,否则在 64 位平台上是 64 位(在 32 位平台上是 32 位). 从 NumPy 2.0 开始,NumPy 的默认整数在 32 位平台上是 32 位,在 64 位平台上是 64 位.

参数:
a类似 1-D 数组或 int

如果是一个 ndarray,则从它的元素中生成一个随机样本.如果是一个 int,则生成的随机样本就像它是 np.arange(a)

sizeint 或 int 的元组,可选.

输出形状.如果给定的形状是,例如 (m, n, k) ,则抽取 m * n * k 个样本.默认值为 None,在这种情况下,将返回单个值.

replace布尔值,可选

样本是否进行替换.默认为 True,这意味着可以多次选择 a 的一个值.

p类似 1-D 数组,可选

与 a 中每个条目相关联的概率.如果未给出,则样本假定在 a 中的所有条目上具有均匀分布.

返回:
样本单个项目或 ndarray

生成的随机样本

提出:
ValueError

如果 a 是一个小于零的 int,如果 a 或 p 不是一维的,如果 a 是大小为 0 的类数组,如果 p 不是概率向量,如果 a 和 p 具有不同的长度,或者如果 replace=False 且样本大小大于种群大小

参见

randint , shuffle , permutation
random.Generator.choice

新代码应该使用这个

注释

通过 p 设置用户指定的概率使用比默认值更通用但效率更低的采样器.即使 p 的每个元素都是 1 / len(a),通用采样器也会生成与优化采样器不同的样本.

使用此函数无法从 2-D 数组中采样随机行,但可以使用 Generator.choice 通过其 axis 关键字来实现.

示例

从大小为 3 的 np.arange(5) 生成均匀随机样本:

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

从大小为 3 的 np.arange(5) 生成非均匀随机样本:

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

从大小为 3 的 np.arange(5) 生成不进行替换的均匀随机样本:

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

从大小为 3 的 np.arange(5) 生成不进行替换的非均匀随机样本:

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

以上任何一种都可以用任意类数组(而不仅仅是整数)重复进行.例如:

>>> aa_milne_arr = ['pooh', 'rabbit', 'piglet', 'Christopher']
>>> np.random.choice(aa_milne_arr, 5, p=[0.5, 0.1, 0.1, 0.3])
array(['pooh', 'pooh', 'pooh', 'Christopher', 'piglet'], # random
      dtype='<U11')
当前页面