numpy.random.Generator.choice#

方法

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

从给定数组生成随机样本

参数:

a{array_like, int}: 如果是一个 ndarray，则从其元素中生成随机样本。如果是一个 int，则从 np.arange(a) 中生成随机样本。
size{int, tuple[int]}, 可选: 输出形状。如果给定的形状是，例如 (m, n, k)，则将从一维 a 中抽取 m * n * k 个样本。如果 a 具有多个维度，则 size 形状将插入到 axis 维度中，因此输出的 ndim 将是 a.ndim - 1 + len(size)。默认值为 None，此时返回单个值。
replacebool, 可选: 样本是否带回放。默认值为 True，表示 a 中的值可以被多次选择。
p1-D array_like, 可选: 与 a 中每个条目关联的概率。如果未给出，则样本假定 a 中所有条目具有均匀分布。
axisint, 可选: 执行选择的轴。默认值 0 表示按行选择。
shufflebool, 可选: 在不带回放抽样时样本是否打乱。默认值为 True，False 可提供速度提升。

返回:

samples单个项或 ndarray: 生成的随机样本

引发:

ValueError: 如果 a 是一个小于零的 int，如果 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 长度不同，或者如果 replace=False 且样本大小大于总体大小。

另请参阅

integers, shuffle, permutation

注释

通过 p 设置用户指定概率的采样器比默认采样器更通用但效率较低。即使 p 的每个元素都是 1 / len(a)，通用采样器也会产生与优化采样器不同的样本。

p 在转换为 float64 时必须和为 1。为确保这一点，您可能希望使用 p = p / np.sum(p, dtype=float) 进行归一化。

当将 a 作为整数类型传递且未指定 size 时，返回类型为原生的 Python int。

示例

从 np.arange(5) 中生成大小为 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) 中生成大小为 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) 中生成大小为 3 的不带回放的均匀随机样本

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

沿第一个轴（默认）从二维数组中生成不带回放的均匀随机样本

>>> 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) 中生成大小为 3 的不带回放的非均匀随机样本

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

上述任何一个都可以用任意的类数组而不是仅仅整数重复。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')