---

描述

---

seed() 方法改變隨機數生成器的種子，可以在調用其他隨機模塊函數之前調用此函數。。

---

語法

---

以下是 seed() 方法的語法:

import random random.seed ( [x] )

注意：seed(()是不能直接訪問的，需要導入 random 模塊，然后通過 random 靜態對象調用該方法。

---

參數

---

x -- 改變隨機數生成器的種子seed。如果你不了解其原理，你不必特別去設定seed，Python會幫你選擇seed。

---

返回值

---

本函數沒有返回值。

---

實例

---

#!/usr/bin/env pythonimport random random.seed(0) print "Random number with seed 0 : ", random.random()# It will generate same random numberrandom.seed(0) print "Random number with seed 0 : ", random.random()# It will generate same random number random.seed(0) print "Random number with seed 0 : ", random.random()import numpy random.seed( 10 ) numpy.random.seed(10) print "Random number with seed 10 : ", random.random() print "Numpy.Random number with seed 10 : ", numpy.random.random()# 生成同一個隨機數 random.seed( 10 ) numpy.random.seed(10) print "Random number with seed 10 : ", random.random() print "Numpy.Random number with seed 10 : ", numpy.random.random()# 生成同一個隨機數 random.seed( 10 ) numpy.random.seed(10) print "Random number with seed 10 : ", random.random() print "Numpy.Random number with seed 10 : ", numpy.random.random()

---

輸出結果

---

Random number with seed 0 : 0.8444218515250481 Random number with seed 0 : 0.8444218515250481 Random number with seed 0 : 0.8444218515250481Random number with seed 10 : 0.5714025946899135 Numpy.Random number with seed 10 : 0.771320643266746 Random number with seed 10 : 0.5714025946899135 Numpy.Random number with seed 10 : 0.771320643266746 Random number with seed 10 : 0.5714025946899135 Numpy.Random number with seed 10 : 0.771320643266746

---

seed( ) 用于指定隨機數生成時所用算法開始的整數值，如果使用相同的seed( )值，則每次生成的隨即數都相同，如果不設置這個值，則系統根據時間來自己選擇這個值，此時每次生成的隨機數因時間差異而不同。

更多理解見 生成特定分布隨機數的方法

---

Numpy

---

numpy比較適合用來生產一些簡單的抽樣數據。API都在random類中，常見的API有：

1) rand(d0, d1, …, dn) 用來生成d0xd1x…dn維的數組。數組的值在[0,1]之間

np.random.rand(3,2,2)array([[[ 0.75450129, 0.42901482],[ 0.96443585, 0.32667506]],[[ 0.14964725, 0.05210716],[ 0.22233923, 0.03842378]],[[ 0.25808658, 0.72287114],[ 0.46925528, 0.40520171]]])

2) randn((d0, d1, …, dn), 也是用來生成d0xd1x…dn維的數組。不過數組的值服從N(0,1)的標準正態分布

np.random.randn(3,2)array([[ 0.66144212, 0.42805973],[-1.70413147, 2.06557347],[ 0.64347303, -0.28598613]])

如果需要服從的正態分布,
For random samples from N(μ,σ2), use:

sigma * np.random.randn(…) + mu
只需要在randn上每個生成的值x上做變換σx+μ即可

2.5 * np.random.randn(2, 4) + 3 array([[ 4.18824037, 3.26512024, 4.78196539, 9.33558273],[ 1.82579451, 4.24870639, 3.20370651, 5.50917743]])

Two-by-four array of samples from N(3, 6.25)

3)randint(low[, high, size])，生成隨機的大小為size的數據，size可以為整數，為矩陣維數，或者張量的維數。值位于半開區間 [low, high)。

np.random.randint(3, size=[2,3,4]) array([[[2, 0, 1, 2],[0, 1, 0, 0],[1, 1, 2, 2]],[[1, 2, 0, 1],[1, 1, 2, 0],[0, 1, 1, 1]]])

返回維數維2x3x4的數據。取值范圍為最大值為3的整數

np.random.randint(3, 6, size=[2,3]) #返回維數為2x3的數據。取值范圍為[3,6) array([[4, 5, 4],[4, 5, 3]])

4) random_integers(low[, high, size]),和上面的randint類似，區別在與取值范圍是閉區間[low, high]。

5) random_sample([size]), 返回隨機的浮點數，在半開區間 [0.0, 1.0)。如果是其他區間[a,b),可以加以轉換(b - a) * random_sample([size]) + a

(5-2)*np.random.random_sample(3)+2 #返回[2,5)之間的3個隨機數array([ 2.12014675, 4.97409966, 2.61624815])

---

scikit-learn隨機數據生成API

---

scikit-learn生成隨機數據的API都在datasets類之中，和numpy比起來，可以用來生成適合特定機器學習模型的數據。常用的API有：

1) 用make_regression 生成回歸模型的數據 2) 用make_hastie_10_2，make_classification或者make_multilabel_classification生成分類模型數據 3) 用make_blobs生成聚類模型數據 4) 用make_gaussian_quantiles生成分組多維正態分布的數據

---

* scikit-learn隨機數據生成實例*

---

回歸模型隨機數據

這里我們使用make_regression生成回歸模型數據。幾個關鍵參數有n_samples（生成樣本數）， n_features（樣本特征數），noise（樣本隨機噪音）和coef（是否返回回歸系數）。例子代碼如下

# -*- coding: UTF-8 -*- import numpy as np import matplotlib.pyplot as plt %matplotlib inline from sklearn.datasets.samples_generator import make_regression # X為樣本特征，y為樣本輸出， coef為回歸系數，共1000個樣本，每個樣本1個特征 X, y, coef =make_regression(n_samples=1000, n_features=1,noise=10, coef=True) # 畫圖 plt.scatter(X, y, color='black') plt.plot(X, X*coef, color='blue',linewidth=3)plt.xticks(()) plt.yticks(())plt.show()

分類模型隨機數據

這里我們用make_classification生成三元分類模型數據。幾個關鍵參數有n_samples（生成樣本數）， n_features（樣本特征數）， n_redundant（冗余特征數）和n_classes（輸出的類別數），例子代碼如下：

# -*- coding: UTF-8 -*- import numpy as np import matplotlib.pyplot as plt %matplotlib inline from sklearn.datasets.samples_generator import make_classification # X1為樣本特征，Y1為樣本類別輸出， 共400個樣本，每個樣本2個特征，輸出有3個類別，沒有冗余特征，每個類別一個簇 X1, Y1 = make_classification(n_samples=400, n_features=2, n_redundant=0,n_clusters_per_class=1, n_classes=3) plt.scatter(X1[:, 0], X1[:, 1], marker='o', c=Y1) plt.show()

聚類模型隨機數據

　這里我們用make_blobs生成聚類模型數據。幾個關鍵參數有n_samples（生成樣本數）， n_features（樣本特征數），centers(簇中心的個數或者自定義的簇中心)和cluster_std（簇數據方差，代表簇的聚合程度）。例子如下：

# -*- coding: UTF-8 -*- import numpy as np import matplotlib.pyplot as plt %matplotlib inline from sklearn.datasets.samples_generator import make_blobs # X為樣本特征，Y為樣本簇類別， 共1000個樣本，每個樣本2個特征，共3個簇，簇中心在[-1,-1], [1,1], [2,2]， 簇方差分別為[0.4, 0.5, 0.2] X, y = make_blobs(n_samples=1000, n_features=2, centers=[[-1,-1], [1,1], [2,2]], cluster_std=[0.4, 0.5, 0.2]) plt.scatter(X[:, 0], X[:, 1], marker='o', c=y) plt.show()

分組正態分布混合數據

我們用make_gaussian_quantiles生成分組多維正態分布的數據。幾個關鍵參數有n_samples（生成樣本數）， n_features（正態分布的維數），mean（特征均值）， cov（樣本協方差的系數）， n_classes（數據在正態分布中按分位數分配的組數）。 例子如下：

# -*- coding: UTF-8 -*- import numpy as np import matplotlib.pyplot as plt %matplotlib inline from sklearn.datasets import make_gaussian_quantiles #生成2維正態分布，生成的數據按分位數分成3組，1000個樣本,2個樣本特征均值為1和2，協方差系數為2 X1, Y1 = make_gaussian_quantiles(n_samples=1000, n_features=2, n_classes=3, mean=[1,2],cov=2) plt.scatter(X1[:, 0], X1[:, 1], marker='o', c=Y1) plt.show()

---

參考文獻

---

Python seed() 函數

python 中 np.random.seed( ) 使用小技

機器學習算法的隨機數據生成

總結

以上是生活随笔為你收集整理的生成特定分布随机数的方法：Python seed() 函数numpy scikit-learn随机数据生成的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。