Hướng dẫn dùng np shuffle python

Ngẫu nhiên là một mô-đun có trong thư viện NumPy. Mô-đun này chứa các hàm được sử dụng để tạo số ngẫu nhiên. Mô-đun này chứa một số phương pháp tạo dữ liệu ngẫu nhiên đơn giản, một số hàm hoán vị và phân phối cũng như các hàm tạo ngẫu nhiên.

Các bài viết liên quan:

Tất cả các chức năng trong một mô-đun ngẫu nhiên như sau:

Random data

Dữ liệu ngẫu nhiên đơn giản có các chức năng sau:

1. p.random.rand (d0, d1, …, dn)

Chức năng này của mô-đun ngẫu nhiên được sử dụng để tạo ra các số hoặc giá trị ngẫu nhiên trong một hình dạng nhất định.

Thí dụ:

import numpy as np  
a=np.random.rand(5,2)  
a  

Output:

1. np.random.randn (d0, d1, …, dn)

Hàm này của mô-đun ngẫu nhiên trả về một mẫu từ phân phối “chuẩn thông thường”.

Thí dụ:

import numpy as np  
a=np.random.randn(2,2)  
a

Output:

1. np.random.randint (low [, high, size, dtype])

Chức năng này của mô-đun ngẫu nhiên được sử dụng để tạo ra các số nguyên ngẫu nhiên từ bao gồm (thấp) đến loại trừ (cao).

Thí dụ:

import numpy as np  
a=np.random.randint(3, size=10)  
a

Output:

1. np.random.random_integers (low[, high, size])

Hàm này của mô-đun ngẫu nhiên được sử dụng để tạo số nguyên ngẫu nhiên kiểu np.int giữa thấp và cao.

Thí dụ:

import numpy as np  
a=np.random.random_integers(3)  
a  
b=type(np.random.random_integers(3))  
b  
c=np.random.random_integers(5, size=(3,2))  
c  

Output:

1. np.random.random_sample ([size])

Chức năng này của mô-đun ngẫu nhiên được sử dụng để tạo số lượng phao ngẫu nhiên trong khoảng thời gian nửa mở [0.0, 1.0).

Thí dụ:

import numpy as np  
a=np.random.random_sample()  
a  
b=type(np.random.random_sample())  
b  
c=np.random.random_sample((5,))  
c  

Output:

1. np.random.random ([size])

Chức năng này của mô-đun ngẫu nhiên được sử dụng để tạo số lượng phao ngẫu nhiên trong khoảng thời gian nửa mở [0.0, 1.0).

Thí dụ:

import numpy as np  
a=np.random.random()  
a  
b=type(np.random.random())  
b  
c=np.random.random((5,))  
c  

Output:

1. np.random.ranf ([size])

Chức năng này của mô-đun ngẫu nhiên được sử dụng để tạo số lượng phao ngẫu nhiên trong khoảng thời gian nửa mở [0.0, 1.0).

Thí dụ:

import numpy as np  
a=np.random.ranf()  
a  
b=type(np.random.ranf())  
b  
c=np.random.ranf((5,))  
c  

Output:

1. np.random.sample ([size])

Chức năng này của mô-đun ngẫu nhiên được sử dụng để tạo số lượng phao ngẫu nhiên trong khoảng thời gian nửa mở [0.0, 1.0).

Các bài viết khác:

Thí dụ:

import numpy as np  
a=np.random.sample()  
a  
b=type(np.random.sample())  
b  
c=np.random.sample((5,))  
c  

Output:

1. np.random.choice (a [, size, Replace, p])

Chức năng này của mô-đun ngẫu nhiên được sử dụng để tạo mẫu ngẫu nhiên từ một mảng 1-D nhất định.

Thí dụ:

import numpy as np  
a=np.random.choice(5,3)  
a  
b=np.random.choice(5,3, p=[0.2, 0.1, 0.4, 0.2, 0.1])  
b  

Output:

1. np.random.bytes (length)

Chức năng này của mô-đun ngẫu nhiên được sử dụng để tạo ra các byte ngẫu nhiên.

Thí dụ:

import numpy as np  
a=np.random.bytes(7)  
a  

Output:

Hoán vị

Có các chức năng sau của hoán vị:

1. np.random.shuffle ()

Hàm này được sử dụng để sửa đổi một trình tự tại chỗ bằng cách xáo trộn nội dung của nó.

Thí dụ:

import numpy as np  
a=np.arange(12)  
a  
np.random.shuffle(a)  
a  

Output:

1. np.random.permutation ()

Hàm này hoán vị một dãy ngẫu nhiên hoặc trả về một dãy đã hoán vị.

Thí dụ:

import numpy as np  
a=np.random.permutation(12)  
a  

Output:

Phân phối

Có các chức năng sau của hoán vị:

1. beta (a, b [, size])

Hàm này được sử dụng để vẽ mẫu từ bản phân phối Beta.

Thí dụ:

def setup(self):  
        self.dist = dist.beta  
        self.cargs = []  
        self.ckwd = dict(alpha=2, beta=3)  
        self.np_rand_fxn = numpy.random.beta  
        self.np_args = [2, 3]  
        self.np_kwds = dict() 

1. binomial (n, p [, size])

Hàm này được sử dụng để lấy mẫu từ một phân phối nhị thức.

Thí dụ:

import numpy as np  
n, p = 10, .6  
s1= np.random.binomial(n, p, 10)  
s1  

Output:

1. chisquare (df [, size])

Hàm này được sử dụng để lấy mẫu từ một phân phối nhị thức.

Thí dụ:

import numpy as np  
np.random.chisquare(2,4)  
sum(np.random.binomial(9, 0.1, 20000) == 0)/20000.  

Output:

1. dirichlet (alpha [, size])

Hàm này được sử dụng để vẽ một mẫu từ phân phối Dirichlet.

Thí dụ:

Import numpy as np  
import matplotlib.pyplot as plt  
s1 = np.random.dirichlet((10, 5, 3), 20).transpose()  
plt.barh(range(20), s1[0])  
plt.barh(range(20), s1[1], left=s1[0], color='g')  
plt.barh(range(20), s1[2], left=s1[0]+s1[1], color='r')  
plt.title("Lengths of Strings")  
plt.show()  

Output:

1. exponential([scale, size])

Hàm này được sử dụng để lấy mẫu từ phân phối hàm mũ.

Thí dụ:

def __init__(self, sourceid, targetid):  
        self.__type = 'Transaction'  
        self.id = uuid4()  
        self.source = sourceid  
        self.target = targetid  
        self.date = self._datetime.date(start=2015, end=2019)  
        self.time = self._datetime.time()  
  
        if random() < 0.05:  
            self.amount = self._numbers.between(100000, 1000000)  
        self.amount = npr.exponential(10)  
  
        if random() < 0.15:  
            self.currency = self._business.currency_iso_code()  
        else:  
            self.currency = None  

1. f (dfnum, dfden [, size])

Hàm này được sử dụng để lấy mẫu từ phân phối F.

Thí dụ:

import numpy as np  
dfno= 1.  
dfden = 48.  
s1 = np.random.f(dfno, dfden, 10)  
np.sort(s1)  

Output:

1.  gamma(shape[, scale, size])

Hàm này được sử dụng để lấy mẫu từ phân phối Gamma

Thí dụ:

import numpy as np  
shape, scale = 2., 2.  
s1 = np.random.gamma(shape, scale, 1000)  
import matplotlib.pyplot as plt  
import scipy.special as spss  
count, bins, ignored = plt.hist(s1, 50, density=True)  
a = bins**(shape-1)*(np.exp(-bins/scale) /  
(spss.gamma(shape)*scale**shape))  
plt.plot(bins, a, linewidth=2, color='r')  
plt.show()  

1. geometric(p[, size])

Hàm này được sử dụng để lấy mẫu từ một phân bố hình học.

Thí dụ:

import numpy as np  
a = np.random.geometric(p=0.35, size=10000)  
(a == 1).sum() / 1000  

Output:

1. gumbel ([loc, scale, size])

Hàm này được sử dụng để lấy mẫu từ phân phối Gumble.

Thí dụ:

import numpy as np  
lov, scale = 0, 0.2  
s1 = np.random.gumbel(loc, scale, 1000)  
import matplotlib.pyplot as plt  
count, bins, ignored = plt.hist(s1, 30, density=True)  
plt.plot(bins, (1/beta)*np.exp(-(bins - loc)/beta)* np.exp( -np.exp( -(bins - loc) /beta) ),linewidth=2, color='r')  
plt.show()  

Output:

1. hypergeometric (ngood, nbad, nsample [, size])

Hàm này được sử dụng để lấy mẫu từ phân phối Hypergeometric.

Thí dụ:

import numpy as np  
good, bad, samp = 100, 2, 10  
s1 = np.random.hypergeometric(good, bad, samp, 1000)  
plt.hist(s1)  
plt.show()  

Output:

1. laplace ([loc, scale, size])

Hàm này được sử dụng để lấy mẫu từ phân phối Laplace hoặc phân phối hàm mũ kép với vị trí và tỷ lệ xác định.

Thí dụ:

import numpy as np  
location, scale = 0., 2.  
s = np.random.laplace(location, scale, 10)  
s  

Output:

1. logistic([loc, scale, size])

Chức năng này được sử dụng để lấy mẫu từ phân phối logistic.

Thí dụ:

import numpy as np  
import matplotlib.pyplot as plt  
location, scale = 10, 1  
s1 = np.random.logistic(location, scale, 10000)  
count, bins, ignored = plt.hist(s1, bins=50)  
count  
bins  
ignored  
plt.show()  

Output:

1.  lognormal([mean, sigma, size])

Hàm này được sử dụng để lấy mẫu từ phân phối log-chuẩn.

Thí dụ:

import numpy as np  
mu, sigma = 2., 1.  
s1 = np.random.lognormal(mu, sigma, 1000)  
import matplotlib.pyplot as plt  
count, bins, ignored = plt.hist(s1, 100, density=True, align='mid')  
a = np.linspace(min(bins), max(bins), 10000)  
pdf = (np.exp(-(np.log(a) - mu)**2 / (2 * sigma**2))/ (a * sigma * np.sqrt(2 * np.pi)))  
plt.plot(a, pdf, linewidth=2, color='r')  
plt.axis('tight')  
plt.show()  

Output:

14) logseries (p [, size])

Hàm này được sử dụng để lấy mẫu từ phân phối logarit.

Thí dụ:

import numpy as np  
x = .6  
s1 = np.random.logseries(x, 10000)  
count, bins, ignored = plt.hist(s1)  
def logseries(k, p):  
return -p**k/(k*log(1-p))  
plt.plot(bins, logseries(bins, x)*count.max()/logseries(bins, a).max(), 'r')  
plt.show() 

Output:

1. multinomial(n, pvals[, size])

Hàm này được sử dụng để lấy mẫu từ một phân phối đa thức.

Thí dụ:

import numpy as np  
np.random.multinomial(20, [1/6.]*6, size=1)  

Output:

1. multivariate_normal(mean, cov[, size, …)

Hàm này được sử dụng để lấy mẫu từ phân phối chuẩn đa biến.

Thí dụ:

import numpy as np  
mean = (1, 2)  
coveriance = [[1, 0], [0, 100]]   
import matplotlib.pyplot as plt  
a, b = np.random.multivariate_normal(mean, coveriance, 5000).T  
plt.plot(a, b, 'x')  
plt.axis('equal'023  
030  
)  
plt.show()  

Output:

1. negative_binomial (n, p [, size])

Hàm này được sử dụng để lấy mẫu từ phân phối nhị thức âm.

Thí dụ:

import numpy as np  
s1 = np.random.negative_binomial(1, 0.1, 100000)  
for i in range(1, 11):  
probability = sum(s1<i) / 100000.  
print i, "wells drilled, probability of one success =", probability  

Output:

1. noncentral_chisquare (df, nonc [, size])

Hàm này được sử dụng để lấy mẫu từ phân phối chi bình phương không trung tâm.

Thí dụ:

import numpy as np  
import matplotlib.pyplot as plt  
val = plt.hist(np.random.noncentral_chisquare(3, 25, 100000), bins=200, normed=True)  
plt.show()  

Output:

1. normal([loc, scale, size])

Hàm này được sử dụng để lấy mẫu từ phân phối chuẩn.

Thí dụ:

import numpy as np  
import matplotlib.pyplot as plt  
mu, sigma = 0, 0.2 # mean and standard deviation  
s1 = np.random.normal(mu, sigma, 1000)  
abs(mu - np.mean(s1)) < 0.01  
abs(sigma - np.std(s1, ddof=1)) < 0.01  
count, bins, ignored = plt.hist(s1, 30, density=True)  
plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *np.exp( - (bins - mu)**2 / (2 * sigma**2) ), linewidth=2, color='r')  
plt.show()  

Output:

1. pareto (a [, size])

Chức năng này được sử dụng để vẽ các mẫu từ Lomax hoặc Pareto II với hình dạng được chỉ định.

Thí dụ:

import numpy as np  
import matplotlib.pyplot as plt  
b, m1 = 3., 2.  # shape and mode  
s1 = (np.random.pareto(b, 1000) + 1) * m1  
count, bins, _ = plt.hist(s1, 100, density=True)  
fit = b*m**b / bins**(b+1)  
plt.plot(bins, max(count)*fit/max(fit), linewidth=2, color='r')  
plt.show()  

Output:

1. power (a [, size])

Hàm này được sử dụng để vẽ các mẫu trong [0, 1] từ phân phối lũy thừa với số mũ dương a-1.

Thí dụ:

import numpy as np  
x = 5. # shape  
samples = 1000  
s1 = np.random.power(x, samples)  
import matplotlib.pyplot as plt  
count, bins, ignored = plt.hist(s1, bins=30)  
a = np.linspace(0, 1, 100)  
b = x*a**(x-1.)  
density_b = samples*np.diff(bins)[0]*b  
plt.plot(a, density_b)  
plt.show()  

Output:

1. rayleigh([scale, size])

Hàm này được sử dụng để lấy mẫu từ phân phối Rayleigh.

Thí dụ:

val = hist(np.random.rayleigh(3, 100000), bins=200, density=True)  
meanval = 1  
modeval = np.sqrt(2 / np.pi) * meanval  
s1 = np.random.rayleigh(modeval, 1000000)  
100.*sum(s1>3)/1000000.  

Output:

1. standard_cauchy ([size])

Hàm này được sử dụng để lấy mẫu từ phân phối Cauchy tiêu chuẩn với mode = 0.

Thí dụ:

import numpy as np  
import matplotlib.pyplot as plt  
s1 = np.random.standard_cauchy(1000000)  
s1 = s1[(s1>-25) & (s1<25)]  # truncate distribution so it plots well  
plt.hist(s1, bins=100)  
plt.show()  

Output:

1. standard_exponential ([size])

Hàm này được sử dụng để lấy mẫu từ phân phối mũ tiêu chuẩn.

Thí dụ:

import numpy as np  
n = np.random.standard_exponential((2, 7000))  

Output:

1. standard_gamma ([size])

Hàm này được sử dụng để lấy mẫu từ phân phối Gamma chuẩn.

Thí dụ:

import numpy as np  
shape, scale = 2., 1.  
s1 = np.random.standard_gamma(shape, 1000000)  
import matplotlib.pyplot as plt  
import scipy.special as sps  
count1, bins1, ignored1 = plt.hist(s, 50, density=True)  
y = bins1**(shape-1) * ((np.exp(-bins1/scale))/ (sps.gamma(shape) * scale**shape))  
plt.plot(bins1, y, linewidth=2, color='r')  
plt.show()  

Output:

1. standard_normal ([size])

Hàm này được sử dụng để lấy mẫu từ một phân phối Chuẩn chuẩn.

Thí dụ:

import numpy as np  
import matplotlib.pyplot as plt  
s1= np.random.standard_normal(8000)  
s1  
q = np.random.standard_normal(size=(3, 4, 2))  
q   

Đầu ra:

1. standard_t (df [, size])

Hàm này được sử dụng để lấy mẫu từ phân phối Student chuẩn với bậc tự do df.

Thí dụ:

intake = np.array([5260., 5470, 5640, 6180, 6390, 6515, 6805, 7515,8230,8770])  
s1 = np.random.standard_t(10, size=100000)  
np.mean(intake)  
intake.std(ddof=1)  
t = (np.mean(intake)-7725)/(intake.std(ddof=1)/np.sqrt(len(intake)))  
h = plt.hist(s1, bins=100, density=True)  
np.sum(s1<t) / float(len(s1))  
plt.show()  

Output:

1. triangular(left, mode, right[, size])

Hàm này được sử dụng để lấy mẫu từ một phân bố tam giác trong khoảng thời gian.

Thí dụ:

import numpy as np  
import matplotlib.pyplot as plt  
h = plt.hist(np.random.triangular(-4, 0, 8, 1000000), bins=300,density=True)  
plt.show()  

Output:

1. uniform([low, high, size])

Chức năng này được sử dụng để lấy mẫu từ một phân phối đồng đều.

Thí dụ:

import numpy as np  
import matplotlib.pyplot as plt  
s1 = np.random.uniform(-1,0,1000)  
np.all(s1 >= -1)  
np.all(s1 < 0)  
count, bins, ignored = plt.hist(s1, 15, density=True)  
plt.plot(bins, np.ones_like(bins), linewidth=2, color='r')  
plt.show()  

Output:

1. vonmises (m1, m2 [, size])

Hàm này được sử dụng để lấy mẫu từ phân phối von Mises.

Thí dụ:

import numpy as np  
import matplotlib.pyplot as plt  
m1, m2 = 0.0, 4.0  
s1 = np.random.vonmises(m1, m2, 1000)  
from scipy.special import i0  
plt.hist(s1, 50, density=True)  
x = np.linspace(-np.pi, np.pi, num=51)  
y = np.exp(m2*np.cos(x-m1))/(2*np.pi*i0(m2))  
plt.plot(x, y, linewidth=2, color='r')  
plt.show()  

Output:

1. wald(mean, scale[, size])

Hàm này được sử dụng để lấy mẫu từ phân phối Wald, hoặc nghịch đảo Gaussian.

Thí dụ:

import numpy as np  
import matplotlib.pyplot as plt  
h = plt.hist(np.random.wald(3, 3, 100000), bins=250, density=True)  
plt.show()  

Output:

1. weibull (a [, size])

Hàm này được sử dụng để lấy mẫu từ phân phối Weibull.

Thí dụ:

import numpy as np  
import matplotlib.pyplot as plt  
from scipy import special  
x=2.0  
s=np.random.weibull(x, 1000)  
a = np.arange(1, 100.)/50.  
def weib(x, n, a):  
return (a/n)*(x/n)**np.exp(-(x/n)**a)  
count, bins, ignored = plt.hist(np.random.weibull(5.,1000))  
a= np.arange(1,100.)/50.  
scale = count.max()/weib(x, 1., 5.).max()  
scale = count.max()/weib(a, 1., 5.).max()  
plt.plot(x, weib(x, 1., 5.)*scale)  
plt.show()  

Output:

1. zipf (a [, size])

Hàm này được sử dụng để lấy mẫu từ phân phối Zipf.

Thí dụ:

import numpy as np  
import matplotlib.pyplot as plt  
from scipy import special  
x=2.0  
s=np.random.zipf(x, 1000)  
count, bins, ignored = plt.hist(s[s<50], 50, density=True)  
a = np.arange(1., 50.)  
b= a**(-x) / special.zetac(x)  
plt.plot(a, b/max(b), linewidth=2, color='r')  
plt.show() 

Output: