Phenquestions
Kad katrā skripta izpildē mainās skaitļa vērtība, šo skaitli sauc par nejaušu skaitli. Nejaušos skaitļus galvenokārt izmanto dažādu veidu testēšanai un paraugu ņemšanai. Python pastāv daudzi veidi, kā ģenerēt nejaušu skaitli, un izmantojot a nejaušs NumPy bibliotēkas modulis ir viens no veidiem, kā to izdarīt. Daudzas funkcijas pastāv nejaušā modulī nejaušu skaitļu ģenerēšanai, piemēram, rand (), randint (), random (), utt. Lietojumi nejaušs () nejauša moduļa funkcija ģenerēšanai nejaušs šajā apmācībā tiek parādīti skaitļi Python.
Ģenerējiet nejaušus skaitļus, izmantojot funkciju random ()
Tālāk ir dota gadījuma moduļa random () sintakse.
Sintakse:
masīva numpy.nejaušs.nejaušs (izmērs = nav)Šai funkcijai var būt nepieciešams neobligāts arguments, un šī argumenta noklusējuma vērtība ir Nav. Jebkuru veselu skaitli vai veselu skaitļu kopu var norādīt kā argumenta vērtību, kas definēja masīva formu, kas tiks atgriezta kā izeja. Ja argumenta vērtība nav norādīta, masīva vietā tiks atgriezts viens peldošs skaitlis. Dažādi gadījuma () funkcijas izmantošanas veidi ir parādīti zemāk.
1. piemērs: Random () funkcijas izmantošana bez argumenta vērtības
Šajā piemērā parādīta random () funkcijas izmantošana bez argumentiem, kas ģenerē skalāru nejaušu skaitli. Šīs funkcijas atgrieztā vērtība tiek izdrukāta vēlāk.
# importēt NumPy bibliotēkuimportēt numpy kā np
# Izsaukt random () funkciju bez argumenta
izlases_numurs = np.nejaušs.nejaušs ()
# Izdrukājiet izlases vērtību
print ("Funkcijas Random () izeja ir:", random_number)
Rezultāts:
Pēc iepriekš minētā skripta izpildes parādīsies šāda izeja. Tas parāda daļējos nejaušos skaitļus.
2. piemērs: Random () funkcijas izmantošana ar veselu skaitli
Šajā piemērā parādīta random () funkcijas izmantošana ar veselu skaitli argumenta size lielumā. Šeit 4 ir iestatīts uz argumentu lielums. Tas nozīmē, ka gadījuma () funkcija ģenerēs četru daļēju nejaušu skaitļu masīvu. Funkcijas izeja tiek izdrukāta vēlāk.
# importēt NumPy bibliotēkuimportēt numpy kā np
# Izveidojiet 4 nejaušu skaitļu masīvu
np_array = np.nejaušs.nejaušs (izmērs = 4)
# Izdrukājiet masīvu
print ("Funkcijas Random () izeja ir: \ n", np_array)
Rezultāts:
Pēc iepriekš minētā skripta izpildes parādīsies šāda izeja. Tas parāda frakcionētu skaitļu viendimensiju masīvu.
3. piemērs: Random () funkcijas izmantošana ar divu veselu skaitļu kopu
Šis piemērs parāda, kā funkciju random () var izmantot, lai izveidotu divdimensiju dalītu nejaušo skaitļu masīvu. Šeit lieluma argumenta vērtību izmanto (2,5), un funkcija atgriezīs divdimensiju daļskaitļu masīvu ar 2 rindām un 5 kolonnām.
# importēt NumPy bibliotēkuimportēt numpy kā np
# Izveidojiet divdimensiju nejaušu skaitļu masīvu
np_array = np.nejaušs.nejaušs (lielums = (2, 5))
# Izdrukājiet masīvu
print ("Funkcijas Random () izeja ir: \ n", np_array)
Rezultāts:
Pēc iepriekš minētā skripta izpildes parādīsies šāda izeja. Tas parāda divdimensiju daļēju nejaušu skaitļu masīvu.
4. piemērs: Random () funkcijas izmantošana ar trīs skaitļu kopu
Šis piemērs parāda, kā funkciju random () var izmantot, lai izveidotu trīsdimensiju daļēju nejaušo skaitļu masīvu. Šeit lieluma argumenta vērtību izmanto (2,3,4), un funkcija atgriezīs trīsdimensiju frakcionētu skaitļu masīvu ar 3 rindām un 4 kolonnām 2 reizes.
# importēt NumPy bibliotēkuimportēt numpy kā np
# Izveidojiet trīsdimensiju nejaušu skaitļu masīvu
np_array = np.nejaušs.nejaušs (lielums = (2, 3, 4))
# Izdrukājiet masīvu
print ("Funkcijas Random () izeja ir: \ n", np_array)
Rezultāts:
Pēc iepriekš minētā skripta izpildes parādīsies šāda izeja. Tas parāda trīsdimensiju daļēju nejaušu skaitļu masīvu.
5. piemērs: izlases () funkcijas izmantošana monētu salto ģenerēšanai
Šis piemērs parāda veidu, kā ģenerēt monētu apvērsumus, izmantojot nejaušus skaitļus. Izmantojot random () funkciju, ir izveidots 10 nejaušu skaitļu skaits NumPy. galvas masīvs ir izveidots ar būla vērtībām, salīdzinot masīva vērtības ar 0.7. Pēc tam vērtības galvas masīvs un kopējais Patiesi vērtības galvas masīvs ir izdrukāts.
# Importēt NumPy bibliotēkuimportēt numpy kā np
# Izveidojiet 10 nejaušu skaitļu masīvu
np_array = np.nejaušs.izlases (10)
# Izveidojiet monētu uzsist masīvu, pamatojoties uz masīva vērtībām
galvas = np_array> 0.7
# Izdrukājiet galvas masīvu
print ("Galvas masīva vērtības ir: \ n", galvas)
# Izdrukājiet galvu skaitu
print ("\ nKopējo galvu skaits ir", np.summa (galvas))
Rezultāts:
Pēc skripta izpildes parādīsies šāda līdzīga izeja. Dažādi izejas tiks ģenerēti dažādos laikos nejaušiem skaitļiem. Saskaņā ar šādu iznākumu kopējais Patiesi vērtības ir 4.
6. piemērs: Random () funkcijas izmantošana zīmēšanai
Šis piemērs parāda veidu, kā ģenerēt diagrammas diagrammas, izmantojot random () funkciju. Šeit x ass vērtības ir ģenerētas, izmantojot random () un sort () funkcijas. Y ass vērtības ir ģenerētas, izmantojot funkciju arange (). Tālāk matplotlib funkcija plot ().pyplot ir izmantots diagrammas diagrammu uzzīmēšanai. diagrammas parādīšanai ir izmantota funkcija show ().
# Importējiet nepieciešamās bibliotēkasimportēt numpy kā np
importa matplotlib.pyplot kā plt
# Izveidojiet sakārtotu nejaušo skaitļu masīvu
x_axis = np.kārtot (np.nejaušs.nejaušs (500000))
# Izveidot x asi CDF (turpina varbūtību sadalījumu)
y_axis = np.aranžs (1, 500000)
# Uzzīmējiet CDF no nejaušiem skaitļiem
plt.plot (x_axis [:: 500], y_axis [:: 500], marker = '.', marķiera izmērs = 5, krāsa =' sarkans ')
# Parādīt diagrammu
plt.rādīt ()
Rezultāts:
Pēc iepriekš minētā skripta izpildes parādīsies šāda līdzīga izeja.
Secinājums
Random () funkcija ir ļoti noderīga Python funkcija dažāda veida uzdevumu veikšanai. Šajā apmācībā ir parādīti dažādi gadījuma () funkcijas izmantošanas veidi, izmantojot vairākus piemērus. Pēc pareizas šīs apmācības piemēru izmantošanas lasītājiem tiks noņemts šīs funkcijas izmantošanas mērķis.
