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

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。

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')