numpy.random.Generator.choice

方法

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

从给定数组中生成随机样本

参数：

a{array_like, int}

如果为 ndarray，则从其元素中生成随机样本。如果为 int，则从 np.arange(a) 生成随机样本。

size{int, tuple[int]}, 可选

输出形状。如果给定的形状为，例如，(m, n, k)，则从一维 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 ndim 将为 a.ndim - 1 + len(size)。默认为 None，在这种情况下返回单个值。

replacebool, 可选

样本是否带或不带替换。默认为 True，这意味着可以多次选择 a 的值。

p1-D array_like, 可选

与 a 中每个条目关联的概率。如果没有给出，则样本假设在 a 中所有条目上的均匀分布。

axisint, 可选

执行选择的轴。默认为 0，按行选择。

shufflebool, 可选

在不进行替换的情况下抽样时是否对样本进行洗牌。默认为 True，False 提供加速。

返回：

samples单个项目或 ndarray

生成的随机样本

引发：

ValueError

如果 a 是一个整数且小于零，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 的长度不同，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)，通用采样器产生的样本也与优化采样器不同。

p 转换为 float64 时必须总和为 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 Python int。

示例

从 np.arange(5) 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) 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) 生成大小为 3 的无替换均匀随机样本

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

从 2-D 数组沿第一个轴（默认）生成无替换的均匀随机样本

>>> 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) 生成大小为 3 的无替换非均匀随机样本

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

以上任何一个都可以用任意类数组而不是整数来重复。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')