Python zufälliger Uniform Numpy.Willkürlich.Uniform

In diesem Artikel werden wir uns die Numpy Random Uniform -Methode ansehen. Wir werden uns auch die Syntax und Parameter ansehen, um das Thema besser zu kennen. Mit einigen Beispielen werden wir dann sehen, wie die gesamte Theorie in die Praxis umgesetzt wird. Numpy ist ein sehr großes und mächtiges Python -Paket, wie wir alle wissen.

Es hat viele Funktionen, einschließlich Numpy Random Uniform (), was einer von ihnen ist. Diese Funktion unterstützt uns beim Erhalten von Zufallsproben aus einer einheitlichen Datenverteilung. Danach werden die zufälligen Proben als numpy Array zurückgegeben. Wir werden diese Funktion besser verstehen, wenn wir diesen Artikel durchgehen. Wir werden uns die Syntax ansehen, die als nächstes einhergeht.

Numpy Random Uniform () Syntax

Die Syntax der Numpy Random Uniform () -Methode ist unten aufgeführt.

# Numpy.willkürlich.Uniform (niedrig = 0.0, hoch = 1.0)

Lassen Sie uns für ein besseres Verständnis jeden seiner Parameter nacheinander durchgehen. Jeder Parameter beeinflusst, wie die Funktion in irgendeiner Weise funktioniert.

Größe

Es bestimmt, wie viele Elemente dem Ausgangsarray hinzugefügt werden. Wenn die Größe auf 3 eingestellt ist, hat das Ausgangsnumpy -Array drei Elemente. Die Ausgabe hat vier Elemente, wenn die Größe auf 4 eingestellt ist.

Ein Tupel von Werten kann auch verwendet werden, um die Größe zu liefern. Die Funktion erstellt in diesem Szenario ein mehrdimensionales Array. np.willkürlich.Uniform erstellt ein Numpy -Array mit einer Zeile und zwei Spalten, wenn die Größe = (1,2) angegeben ist.

Das Größenargument ist optional. Wenn der Größenparameter leer bleibt, gibt die Funktion einen einzelnen Wert zwischen niedrig und hoch zurück.

Niedrig

Der niedrige Parameter legt eine Untergrenze für den Bereich möglicher Ausgangswerte fest. Denken Sie daran, dass niedrig einer der möglichen Ausgänge ist. Wenn Sie also niedrig = 0 festlegen, kann der Ausgangswert möglicherweise 0. Es ist ein optionaler Parameter. Es wird standardmäßig 0, wenn dieser Parameter keinen Wert erhält.

Hoch

Die Obergrenze der zulässigen Ausgangswerte wird durch den hohen Parameter angegeben. Es ist erwähnenswert, dass der Wert des hohen Parameters nicht berücksichtigt wird. Wenn Sie den Wert von High = 1 festlegen, ist es möglicherweise nicht möglich, den genauen Wert 1 zu erreichen.

Beachten Sie auch, dass der hohe Parameter die Verwendung eines Arguments erfordert. Trotzdem müssen Sie den Parameternamen nicht direkt verwenden. Um es anders auszudrücken, können Sie die Position dieses Parameters verwenden, um ein Argument daran zu übergeben.

Beispiel 1:

Zunächst machen wir ein Numpy -Array mit vier Werten aus dem Bereich [0,1]. Der Größenparameter wird in diesem Fall der Größe = 4 zugeordnet. Infolgedessen gibt die Funktion ein numpy Array mit vier Werten zurück.

Wir haben auch die niedrigen und hohen Werte auf 0 bzw. 1 eingestellt. Diese Parameter definieren den Wertebereich, der verwendet werden kann. Die Ausgabe besteht aus vier Ziffern von 0 bis 1.

Numph als NP importieren
np.willkürlich.Samen (30)
drucken (np.willkürlich.Uniform (Größe = 4, niedrig = 0, hoch = 1))

Im Folgenden finden Sie den Ausgangsbildschirm, in dem Sie sehen können, dass die vier Werte generiert werden.

Beispiel 2:

Wir werden hier eine zweidimensionale Reihe gleichermaßen verteilter Zahlen erstellen. Dies funktioniert genauso wie wir im ersten Beispiel diskutiert haben. Die wichtigste Unterscheidung ist das Argument des Größenparameters. Wir werden Größe = in diesem Fall verwenden (3,4).

Numph als NP importieren
np.willkürlich.Samen (1)
drucken (np.willkürlich.Uniform (Größe = (3,4), niedrig = 0, hoch = 1))

Wie Sie im angehängten Screenshot sehen können, ist das Ergebnis ein Numpy -Array mit drei Zeilen und vier Spalten. Weil das Größenargument auf Größe = (3,4) festgelegt wurde. In unserem Fall wird ein Array mit drei Zeilen und vier Spalten erstellt. Die Werte des Arrays liegen alle zwischen 0 und 1, weil wir niedrig = 0 und hoch = 1 festlegen.

Beispiel 3:

Wir werden eine Reihe von Werten konsistent aus einem bestimmten Bereich erstellen. Wir werden hier ein Numpy -Array mit zwei Werten machen. Die Werte werden jedoch aus dem Bereich ausgewählt [40, 50]. Die niedrigen und auch die hohen Parameter können verwendet werden, um die Punkte (niedrig und hoch) des Bereichs zu definieren. Der Größenparameter wurde in diesem Fall auf Größe = 2 eingestellt.

Numph als NP importieren
np.willkürlich.Samen (0)
drucken (np.willkürlich.Uniform (Größe = 2, niedrig = 40, hoch = 50))

Infolgedessen hat der Ausgang zwei Werte. Wir haben auch die niedrigen und hohen Werte auf 40 bzw. 50 gesetzt. Infolgedessen sind alle Werte in den 50ern und 60ern, wie Sie unten sehen können.

Beispiel 4:

Schauen wir uns nun ein komplexeres Beispiel an, das uns beim besseren Verständnis hilft. Ein weiteres Beispiel des Numpy.willkürlich.Uniform () Funktion finden Sie unten. Wir haben das Diagramm gezeichnet, anstatt nur den Wert zu berechnen, wie wir es in den vorherigen Beispielen getan haben.

Wir haben Matplotlib, ein weiteres großartiges Python -Paket, dazu verwendet, dies zu tun. Die Numpy -Bibliothek wurde erstmals importiert, gefolgt von Matplotlib. Dann haben wir die Syntax unserer Funktion verwendet, um das gewünschte Ergebnis zu erzielen. Anschließend wird die Matplot -Bibliothek verwendet. Mit den Daten aus unserer festgelegten Funktion können wir ein Histogramm generieren oder drucken.

Numph als NP importieren
Matplotlib importieren.Pyplot als PLT
plot_p = np.willkürlich.Uniform (-1, 1, 500)
PLT.Hist (Plot_p, Bins = 50, Dichte = true)
PLT.zeigen()

Hier sehen Sie die Grafik anstelle der Werte.

Abschluss:

In diesem Artikel haben wir die Numpy Random Uniform () -Methode durchgesehen. Abgesehen davon haben wir uns die Syntax und Parameter angesehen. Wir haben auch verschiedene Beispiele geliefert, die Ihnen helfen, das Thema besser zu verstehen. Für jedes Beispiel haben wir die Syntax geändert und die Ausgabe untersucht. Schließlich können wir sagen, dass diese Funktion uns unterstützt, indem wir Stichproben aus einer einheitlichen Verteilung erzeugen.