numpy.random.choice#

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

从给定的 1-D 数组中生成随机样本

版本 1.7.0 中的新功能。

注意

新的代码应该使用 choice 方法，该方法属于 Generator 实例；请参见 快速入门。

警告

此函数使用 C-long 数据类型，在 Windows 上为 32 位，在 64 位平台上为 64 位（在 32 位平台上为 32 位）。从 NumPy 2.0 开始，NumPy 的默认整数在 32 位平台上为 32 位，在 64 位平台上为 64 位。

参数：
a1-D 数组类或 int

如果为 ndarray，则从其元素中生成随机样本。如果为 int，则生成随机样本，就像它是 np.arange(a) 一样

sizeint 或 int 元组，可选

输出形状。如果给定的形状为，例如，(m, n, k)，则将绘制 m * n * k 个样本。默认为 None，在这种情况下将返回单个值。

replace布尔值，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 数组类，可选

a 中每个条目关联的概率。如果未给出，则样本假设在 a 中的所有条目上均匀分布。

返回值：
samples单个项目或 ndarray

生成的随机样本

引发：
ValueError

如果 a 是 int 且小于零，如果 a 或 p 不是一维的，如果 a 是大小为 0 的数组类，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

另请参见

randint、shuffle、permutation
random.Generator.choice

这应该在新代码中使用

备注

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)，通用采样器也会产生与优化采样器不同的样本。

无法使用此函数从 2-D 数组中采样随机行，但可以通过 Generator.choice 及其 axis 关键字来实现。

示例

从 np.arange(5) 生成大小为 3 的均匀随机样本

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

从 np.arange(5) 生成大小为 3 的非均匀随机样本

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

从 np.arange(5) 生成大小为 3 的均匀随机样本，不进行替换

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

从 np.arange(5) 生成大小为 3 的非均匀随机样本，不进行替换

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

以上任何一项都可以使用任意数组类而不是整数来重复。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')
本页内容