深入了解 NumPy 的 numpy.random.choice 函数

在数据科学、统计学和机器学习等领域中，随机数生成是一个非常重要的任务。而 NumPy 提供了许多强大的工具来生成随机数，其中一个非常有用的函数就是 numpy.random.choice。本文将详细介绍这个函数的用法及其参数。

函数简介

numpy.random.choice 函数用于从给定的 1 维数组中生成一个随机样本，它提供了一种灵活且高效的方式来进行随机采样。文章源自灵鲨社区-https://www.0s52.com/bcjc/pythonjc/16290.html

函数签名

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

参数详解

• a: 1-D array-like or int
  如果是 ndarray，则从其元素中生成随机样本。如果是 int，则随机样本将从 np.arange(a) 中生成。
• size: int or tuple of ints, optional
  输出样本的形状。如果给定形状，例如 (m, n, k)，则会抽取 m * n * k 个样本。默认值为 None，此时返回单个值。
• replace: boolean, optional
  样本是否有放回地抽取。默认值为 True，意味着可以多次选择同一值。
• p: 1-D array-like, optional
  与 a 中每个条目相关联的概率。如果未给定，则样本假设在 a 的所有条目上均匀分布。

返回值

• samples: single item or ndarray
  生成的随机样本。

异常

• ValueError:
  如果 a 是 int 并且小于零，如果 a 或 p 不是 1 维的，如果 a 是大小为 0 的 array-like，如果 p 不是概率向量，如果 a 和 p 长度不同，或者如果 replace=False 并且样本大小大于总体大小，则会抛出此异常。

注意事项

• 在新代码中应使用 random.Generator.choice 方法。
• 用户指定概率（通过 p 参数）使用的采样器更为通用但效率较低。
• 通过轴关键字，Generator.choice 方法可以从二维数组中随机抽取行，这在 numpy.random.choice 中是不可能的。

使用示例

下面是一些使用 numpy.random.choice 的示例，以帮助您理解如何应用这个函数：文章源自灵鲨社区-https://www.0s52.com/bcjc/pythonjc/16290.html

示例 1：生成一个从 np.arange(5) 中的大小为 3 的均匀随机样本

import numpy as np
np.random.choice(5, 3)
# 输出示例: array([0, 3, 4])

这等价于 np.random.randint(0, 5, 3)。文章源自灵鲨社区-https://www.0s52.com/bcjc/pythonjc/16290.html

示例 2：生成一个从 np.arange(5) 中的大小为 3 的非均匀随机样本

np.random.choice(5, 3, p=[0.1, 0, 0.3, 0.6, 0])
# 输出示例: array([3, 3, 0])

示例 3：生成一个从 np.arange(5) 中的大小为 3 的无放回均匀随机样本

np.random.choice(5, 3, replace=False)
# 输出示例: array([3, 1, 0])

这等价于 np.random.permutation(np.arange(5))[:3]。文章源自灵鲨社区-https://www.0s52.com/bcjc/pythonjc/16290.html

示例 4：生成一个从 np.arange(5) 中的大小为 3 的无放回非均匀随机样本

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

示例 5：从任意 array-like 对象中生成样本

aa_milne_arr = ['pooh', 'rabbit', 'piglet', 'Christopher']
np.random.choice(aa_milne_arr, 5, p=[0.5, 0.1, 0.1, 0.3])
# 输出示例: array(['pooh', 'pooh', 'pooh', 'Christopher', 'piglet'], dtype='<U11')

总结

numpy.random.choice 是一个非常强大的工具，它允许从数组中灵活地抽取随机样本。无论是均匀分布还是非均匀分布，有放回还是无放回，该函数都可以很好地处理。尽管如此，在新代码中建议使用 random.Generator.choice 方法，以获得更高的性能和更多的功能。文章源自灵鲨社区-https://www.0s52.com/bcjc/pythonjc/16290.html 文章源自灵鲨社区-https://www.0s52.com/bcjc/pythonjc/16290.html