numpy.random.Generator.choice#
方法
- random.Generator.choice(a, size=None, replace=True, p=None, axis=0, shuffle=True)#
从给定数组中生成一个随机样本
- 参数:
- a{array_like, int}
如果为 ndarray,则从其元素中生成一个随机样本。如果为 int,则从 np.arange(a) 生成随机样本。
- size{int, tuple[int]}, optional
输出形状。如果给定的形状为,例如,
(m, n, k)
,则从 1-d a 中抽取m * n * k
个样本。如果 a 的维度大于 1,则size
形状将插入到 axis 维度中,因此输出ndim
将为a.ndim - 1 + len(size)
。默认值为 None,在这种情况下将返回单个值。- replacebool, optional
样本是有放回还是无放回。默认值为 True,表示可以多次选择
a
的值。- p1-D array_like, optional
与
a
中每个条目相关的概率。如果未给出,则样本假设在a
中的所有条目上均匀分布。- axisint, optional
执行选择的轴。默认值 0 按行选择。
- shufflebool, optional
在无放回采样时是否对样本进行洗牌。默认值为 True,False 可提供加速。
- 返回值:
- samplessingle item or ndarray
生成的随机样本
- 异常:
- ValueError
如果 a 为 int 且小于零,如果 p 不是一维的,如果 a 为数组类且大小为 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
注释
通过
p
设置用户指定的概率会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),通用采样器也会产生与优化采样器不同的样本。p
必须在转换为float64
时求和为 1。为了确保这一点,您可能希望使用p = p / np.sum(p, dtype=float)
进行归一化。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 的均匀随机样本,无放回
>>> rng.choice(5, 3, replace=False) array([3,1,0]) # random >>> #This is equivalent to rng.permutation(np.arange(5))[:3]
从二维数组中生成沿第一个轴(默认)的均匀随机样本,无放回
>>> 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 的非均匀随机样本,无放回
>>> rng.choice(5, 3, replace=False, p=[0.1, 0, 0.3, 0.6, 0]) array([2, 3, 0]) # random
以上任何一种都可以用任意数组类来重复,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')