numpy 随机数使用
2019-06-09 本文已影响0人
dongshangtong
有两个额外的方法， any 和 all ，对布尔数组尤其有用。 any 用来测试一个数组中是否有一个或更多的 True ，而 all用来测试所有的值是否为 True
1. np.random.rand()函数
通过本函数可以返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)
参数可以一个或两个 ，具体看实例
np.random.rand(2)
# array([0.78255266, 0.28622747])
np.random.rand(2,4)
# array([[0.16415752, 0.18633667, 0.69753378, 0.1878069 ],
[0.09026839, 0.37546257, 0.99291378, 0.4874447 ]])
2. np.random.randn()函数
（1）通过本函数可以返回一个或一组服从标准正态分布的随机样本值。
(2) np.random.randn()函数所产生的随机样本基本上取值主要在-1.96~+1.96之间，当然也不排除存在较大值的情形，只是概率较小而已
标准正态分布曲线.gif
3. np.random.randint()函数
numpy.random.randint(low, high=None, size=None,
dtype=’l’)
参数说明
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。
作用:
随机整数或整型数组，范围区间为[low,high），包含low，不包含high；
high没有填写时，默认生成随机数的范围是[0，low）
np.random.randint(1,5,size=(3,5))
# array([[3, 1, 3, 4, 4],
[1, 2, 4, 1, 3],
[4, 4, 4, 4, 3]])
np.random.randint(6)
# 4
np.random.randint(6,10)
# 6
np.random.randint(3,5,size=(2,3))
# array([[4, 3, 3],
[4, 4, 3]])
4. np.random.random(size = 5)
返回随机的浮点数，在半开区间 [0.0, 1.0)。
一个参数是表示 size = 多少， size 可以不写。
np.random.random(size = 5)
# array([0.85627943, 0.1482212 , 0.49979544, 0.27535643, 0.16568008])
np.random.random_sample(5)
# array([0.55904618, 0.09636442, 0.25522611, 0.69723003, 0.4561148 ])
# 第一个表示维度
np.random.random_sample((2,2,4,))
# array([[[0.68660694, 0.62919759, 0.81648022, 0.90615015],
[0.78381849, 0.8284301 , 0.69204844, 0.72662745]],
[[0.93989798, 0.95939636, 0.49894923, 0.87598416],
[0.10462743, 0.32110368, 0.13064537, 0.51795068]]])
5. np.random.random_integers
生成闭区间[low,high]上离散均匀分布的整数值;若high=None，则取值区间变为[1,low]
np.random.random_integers(5,size=(2,3))
# array([[3, 5, 1],
[3, 2, 3]])
seed( )是拿来确定随机数生成的，如果使用相同的seed( )值，则每次生成的随机数相同
# 第一次测试
np.random.seed(2) # 第一设种子为seed(2)
for i in range(5):
print(np.random.random())
print("*"*40)
np.random.seed(2) # 第二设种子为seed(2)
for i in range(5):
print(np.random.random())
# 两次打印结果是:
0.43599490214200376
0.025926231827891333
0.5496624778787091
0.4353223926182769
0.42036780208748903
****************************************
0.43599490214200376
0.025926231827891333
0.5496624778787091
0.4353223926182769
0.42036780208748903
# 第二次测试, 我们随便改一个seed.
np.random.seed(2) # 第一设种子为seed(2)
for i in range(5):
print(np.random.random())
print("*"*40)
np.random.seed(4) # 第二设种子为seed(4) 和上次不一样
for i in range(5):
print(np.random.random())
# 我们观察结果，两次结果不一样
0.43599490214200376
0.025926231827891333
0.5496624778787091
0.4353223926182769
0.42036780208748903
****************************************
0.9670298390136767
0.5472322491757223
0.9726843599648843
0.7148159936743647
0.6977288245972708
我们可以得出结论:
输出相同。即seed（2）中的随机数是确定的、按顺序生成的。 不使用seed，则每次运行的结果都不同
查看numpy 的一些属性
arr2 = np.random.randint(3,7,size=[3,5])
#array([[6, 5, 6, 6, 5],
[6, 4, 6, 5, 4],
[3, 4, 4, 4, 6]])
arr2.ndim # 维度
# 2
arr2.shape #各维度长度
# (3, 5)
arr2.size # 总长度
# 15
arr2.dtype ##元素类型
# dtype('int64')
- 变形
arr3 = np.random.randint(1,12,size=(3,5))
# array([[ 1, 8, 3, 7, 4],
[ 8, 9, 3, 7, 8],
[11, 8, 10, 3, 8]])
arr3.T
# 变形结果
#array([[ 1, 8, 11],
[ 8, 9, 8],
[ 3, 3, 10],
[ 7, 7, 3],
[ 4, 8, 8]])
# 行倒序
arr3[::-1]
# array([[ 2, 4, 2, 4, 7],
[ 3, 2, 11, 9, 9],
[ 9, 5, 5, 1, 8]])
# 列倒序
arr3[:,::-1]
# array([[ 8, 1, 5, 5, 9],
[ 9, 9, 11, 2, 3],
[ 7, 4, 2, 4, 2]])
# 前部倒序
arr3[::-1,::-1]
array([[ 7, 4, 2, 4, 2],
[ 9, 9, 11, 2, 3],
[ 8, 1, 5, 5, 9]])
显示图像
import matplotlib.pyplot as plt
img2 = plt.imread('maomi.jpg')
plt.imshow(img2)
image.png
将上面图片上下翻转
plt.imshow(img2[::-1])
image.png
左右翻转
plt.imshow(img2[:,::-1])
image.png
上下左右翻转
plt.imshow(img2[::-1,::-1])
668A2E45-1C7A-4D60-84E4-9BBD511786AB.png
rgb颜色翻转
plt.imshow(img2[:,:,::-1])
image.png
