range()、np.arange()和np.random相关总结

range()和xrange()函数

• 在 python 2.x 版本中，同时存在range（）和xrange（）函数，其中，range()返回值是一个列表，xrange（）返回值是一个迭代器；

• 在 python 3.x 版本中，取消了xrange（）的定义，仅保留了range（）函数，且range（）函数的返回值也改为迭代器；

• xrange和range的语法格式相同；

• 语法：

  • 格式1: range(stop)

  • 格式2: range(start, stop[, step])

  • 返回值：range 对象

  • start表示起始值（正整数/负整数），stop表示终止值（正整数/负整数），step表示步进值（默认为1，正整数/负整数）；

  • 当输入参数只有stop时，起始值是0。

  • 无论如何配置，返回值中均不包括stop值。

  • 如果要将生成的range（）对象变为列表就需要利用list(range(..))方式；

range()和np.arange()函数

• 生成的数据都是等差的；

• range()是python的内置函数，其返回值是range可迭代对象；

• arange()是Numpy库中的函数，其返回值是数组对象；

• 语法：

  • 格式：np.arange([start,] stop[, step,], dtype=None)

  • 仅输入stop值，此时start默认从0开始

  • 在给定的范围内返回均匀间隔的值，其中step可以为小数；

  • 该函数生产的数组范围是[start,stop)，即不包括stop值；

  • start表示起始值（默认为0,可正，可负,可小数），stop表示终止值（正/负数，可小数），step步进值（正/负数，可小数）；

python random模块

random.random()

• 用于生成一个0到1的随机符点数: 0 <= n < 1.0

random.randint(a,b)

• 用于生成一个指定范围内的整数。其中参数a是下限，参数b是上限，生成的随机数n: a <= n <= b

random.randrange([start], stop[, step])

• 从指定范围内，按指定基数递增的集合中获取一个随机数；如：random.randrange(10, 100, 2)，结果相当于从[10, 12, 14, 16, ... 96, 98]序列中获取一个随机数；

• random.randrange(10, 100, 2)在结果上与 random.choice(range(10, 100, 2) 等效

random.uniform(a,b)

• 用于生成一个指定范围内的随机符点数，两个参数其中一个是上限，一个是下限；如果a > b，则生成的随机数n: b <= n <= a；如果 a <b， 则 a <= n <= b

random.choice(sequence)

• 从序列中获取一个随机元素；参数sequence表示一个有序类型

random.shuffle(x[, random])

• 用于将一个列表中的元素打乱，shuffle直接改变原有的序列

random.sample(sequence, k)

• 从指定序列中随机获取指定长度的片断。sample函数不会修改原有序列

numpy random模块

numpy.random.rand(d0,d1,…,dn)

• rand函数根据给定维度生成[0,1)之间的数据，包含0，不包含1

• dn表格每个维度

• 返回值为指定维度的array

np.random.rand(4,2)array([[ 0.02173903,  0.44376568],       [ 0.25309942,  0.85259262],       [ 0.56465709,  0.95135013],       [ 0.14145746,  0.55389458]])np.random.rand(4,3,2) # shape: 4*3*2array([[[ 0.08256277,  0.11408276],        [ 0.11182496,  0.51452019],        [ 0.09731856,  0.18279204]], 
       [[ 0.74637005,  0.76065562],        [ 0.32060311,  0.69410458],        [ 0.28890543,  0.68532579]], 
       [[ 0.72110169,  0.52517524],        [ 0.32876607,  0.66632414],        [ 0.45762399,  0.49176764]], 
       [[ 0.73886671,  0.81877121],        [ 0.03984658,  0.99454548],        [ 0.18205926,  0.99637823]]])

除此之外生成[0,1)之间的浮点数的方法还有：

• numpy.random.random_sample(size=None)

• numpy.random.random(size=None)

• numpy.random.ranf(size=None)

• numpy.random.sample(size=None)

numpy.random.randn(d0,d1,…,dn)

• randn函数返回一个或一组样本，具有标准正态分布。

• dn表格每个维度

• 返回值为指定维度的array

np.random.randn() # 当没有参数时，返回单个数据-1.1241580894939212np.random.randn(2,4)array([[ 0.27795239, -2.57882503,  0.3817649 ,  1.42367345],       [-1.16724625, -0.22408299,  0.63006614, -0.41714538]])np.random.randn(4,3,2)array([[[ 1.27820764,  0.92479163],        [-0.15151257,  1.3428253 ],        [-1.30948998,  0.15493686]], 
       [[-1.49645411, -0.27724089],        [ 0.71590275,  0.81377671],        [-0.71833341,  1.61637676]], 
       [[ 0.52486563, -1.7345101 ],        [ 1.24456943, -0.10902915],        [ 1.27292735, -0.00926068]], 
       [[ 0.88303   ,  0.46116413],        [ 0.13305507,  2.44968809],        [-0.73132153, -0.88586716]]])

标准正态分布介绍

• 标准正态分布—-standard normal distribution

• 标准正态分布又称为u分布，是以0为均值、以1为标准差的正态分布，记为N（0，1）。

numpy.random.randint(low, high=None, size=None, dtype=’l’)

• 返回随机整数，范围区间为[low,high），包含low，不包含high

• 参数：low为最小值，high为最大值，size为数组维度大小，dtype为数据类型，默认的数据类型是np.int

• high没有填写时，默认生成随机数的范围是[0，low)

• numpy.random.random_integers(low, high=None, size=None)

  • 返回随机整数，范围区间为[low,high]，包含low和high

  • 参数：low为最小值，high为最大值，size为数组维度大小

  • high没有填写时，默认生成随机数的范围是[1，low]

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

• 从给定的一维数组中生成随机数；

• 参数： a为一维数组类似数据或整数；size为数组维度(一维数组的长度)；p为数组中的数据出现的概率，参数p的长度与参数a的长度需要一致；参数p为概率，p里的数据之和应为1；

• a为整数时，对应的一维数组为np.arange(a)；

np.random.choice(5,3)
[0 3 1]

np.random.choice(5, 3, replace=False) # 当replace为False时，生成的随机数不能有重复的数值demo_list = ['lenovo', 'sansumg','moto','xiaomi', 'iphone']
np.random.choice(demo_list,size=(3,3))array([['moto', 'iphone', 'xiaomi'],
       ['lenovo', 'xiaomi', 'xiaomi'],
       ['xiaomi', 'lenovo', 'iphone']],
      dtype='<U7')

demo_list = ['lenovo', 'sansumg','moto','xiaomi', 'iphone']
np.random.choice(demo_list,size=(3,3), p=[0.1,0.6,0.1,0.1,0.1])array([['sansumg', 'sansumg', 'sansumg'],
       ['sansumg', 'sansumg', 'sansumg'],
       ['sansumg', 'xiaomi', 'iphone']],
      dtype='<U7')

numpy.random.seed()

• np.random.seed()的作用：使得随机数据可预测。

• 当我们设置相同的seed，每次生成的随机数相同。如果不设置seed，则每次会生成不同的随机数

np.random.seed(0)np.random.rand(5)array([ 0.5488135 ,  0.71518937,  0.60276338,  0.54488318,  0.4236548 ])np.random.seed(1676)np.random.rand(5)array([ 0.39983389,  0.29426895,  0.89541728,  0.71807369,  0.3531823 ])np.random.seed(1676)np.random.rand(5)array([ 0.39983389,  0.29426895,  0.89541728,  0.71807369,  0.3531823 ])

作者：他与理想国
链接：https://www.jianshu.com/p/7744ec894b74
。