넘파이 numpy (4) - random 모듈(rand, randint, randn, choice, seed, etc)

참고: https://codetorial.net/numpy/random.html

NumPy 난수 생성 (Random 모듈) - Codetorial

 

 

numpy의 서브모듈: random 모듈¶

• random은 난수를 발생시키는 모듈로 randint, choice, uniform 등의 메서드를 내장함

 

 

In [2]:

import numpy as np
from numpy import random

 

 

 

 

random.rand()¶

• 주어진 형태의 난수 array를 생성

• [0,1) 범위에서 균일한 분포를 가짐

 

 

In [4]:

a = np.random.rand(5)
print(a)
b = np.random.rand(2, 3)  #2차원 2행 3열 형태
print(b)

 

 

[0.5488135  0.71518937 0.60276338 0.54488318 0.4236548 ]
[[0.64589411 0.43758721 0.891773  ]
 [0.96366276 0.38344152 0.79172504]]

 

 

 

 

 

random.seed()¶

• 난수 생성에 필요한 시드를 설정

• 시드를 설정하면 코드를 실행할 때마다 동일한 난수가 생성되어 코드 디버깅과 같은 작업을 할 때 유용하게 사용할 수 있음

• 시드를 설정하지 않으면 호출할 때마다 매번 다른 숫자가 나타남

 

 

In [5]:

np.random.seed(0)
print(np.random.rand(2, 3))

 

 

[[0.5488135  0.71518937 0.60276338]
 [0.54488318 0.4236548  0.64589411]]

 

 

In [6]:

#시각화
import matplotlib.pyplot as plt

np.random.seed(0)

plt.style.use('default')
plt.rcParams['figure.figsize'] = (6,3)
plt.rcParams['font.size'] = 12

a = np.random.rand(1000)
b = np.random.rand(10000)
c = np.random.rand(100000)

plt.hist(a, bins=100, density=True, alpha=0.5, histtype='step', label='n=1000')
plt.hist(b, bins=100, density=True, alpha=0.75, histtype='step', label='n=10000')
plt.hist(c, bins=100, density=True, alpha=1.0, histtype='step', label='n=100000')

plt.ylim(0, 2.5)
plt.legend()
plt.show()

 

 

 

 

• numpy와 matplotlib을 이용해서 난수 분포를 확인해보면 샘플의 개수가 늘어날수록 더욱 균일한 분포를 보임을 알 수 있음

 

 

 

 

random.randint()¶

• 이산형 균일분포를 이용하여 [최소값, 최대값)의 범위에서 임의의 정수를 만듬

• high가 지정되지 않은 경우에는 0 이상 low 미만 범위에서 난수 발생

 

 

In [7]:

a = np.random.randint(2, size=5)
print(a)

b = np.random.randint(2, 4, size=5)
print(b)

c = np.random.randint(1, 5, size=(2,3))
print(c)

 

 

[0 1 0 0 0]
[3 2 2 3 2]
[[1 1 4]
 [3 2 2]]

 

 

In [10]:

#시각화
plt.style.use('default')
plt.rcParams['figure.figsize'] = (6,3)
plt.rcParams['font.size'] = 12

a = np.random.randint(0, 10, 1000)
b = np.random.randint(10, 20, 1000)
c = np.random.randint(0, 20, 1000)

plt.hist(a, bins=100, density=False, alpha=0.5, histtype='step', label='0<=randint<10')
plt.hist(b, bins=100, density=False, alpha=0.75, histtype='step', label='10<=randint<20')
plt.hist(c, bins=100, density=False, alpha=1.0, histtype='step', label='0<=randint<20')

plt.ylim(0, 150)
plt.legend()
plt.show()

 

 

 

 

 

 

 

random.randn()¶

• 표준정규분포로부터 샘플링된 난수를 반환하되, 지정한 차원을 갖는 넘파이 배열을 생성함

• 표준정규분포가 아닌 평균 μ , 표준편차 σ를 갖는 정규분포의 난수를 생성하기 위해서는 σ * np.random.randn(…) + μ와 같은 형태로 사용

 

 

In [11]:

a = np.random.randn(5)
print(a)

b = np.random.randn(2, 3)
print(b)

sigma, mu = 1.5, 2.0

c = sigma * np.random.randn(5) + mu
print(c)

 

 

[ 0.57974651 -1.50154744 -0.25726311 -0.77517508  1.77123774]
[[-0.67243913  0.02917615 -1.09724227]
 [-0.63493902  0.46816607  1.18841096]]
[2.43862603 2.06662223 2.40769165 5.56066041 4.99200266]

 

 

In [12]:

#시각화
plt.style.use('default')
plt.rcParams['figure.figsize'] = (6,3)
plt.rcParams['font.size'] = 12

a = np.random.randn(100000)
b = 2 * np.random.randn(100000) - 1   #평균 -1, 표준편차 2인 난수 100,000개
c = 4 * np.random.randn(100000) + 2   #평균 2, 표준편차 4

plt.hist(a, bins=100, density=True, alpha=0.5, histtype='step', label='(mean, stddev)=(0, 1)')
plt.hist(b, bins=100, density=True, alpha=0.75, histtype='step', label='(mean, stddev)=(-1, 2)')
plt.hist(c, bins=100, density=True, alpha=1.0, histtype='step', label='(mean, stddev)=(2, 4)')

plt.xlim(-15, 25)
plt.legend()
plt.show()

 

 

 

 

 

 

 

random.standard_normal()¶

• 표준정규분포로부터 샘플링된 난수를 반환하되, 튜플을 인자로 받음

 

 

In [14]:

d = np.random.standard_normal(3)
print(d)

e = np.random.standard_normal((2, 3))
print(e)

 

 

[-0.83816548 -0.72118555 -0.61440978]
[[-0.10697798  1.35386978  1.47984529]
 [ 1.24390135  1.28405155  1.34764525]]

 

 

In [15]:

#시각화
plt.style.use('default')
plt.rcParams['figure.figsize'] = (6, 3)
plt.rcParams['font.size'] = 12

a = np.random.standard_normal(1000)
b = np.random.standard_normal(10000)
c = np.random.standard_normal(100000)

plt.hist(a, bins=100, density=True, alpha=0.5, histtype='step', label='n=1000')
plt.hist(b, bins=100, density=True, alpha=0.75, histtype='step', label='n=10000')
plt.hist(c, bins=100, density=True, alpha=1.0, histtype='step', label='n=100000')

plt.legend()
plt.show()

 

 

 

 

 

 

 

random.normal()¶

• 정규분포로부터 샘플링된 난수를 반환함

 

 

In [16]:

a = np.random.normal(0, 1, 2)  #(0, 1)에서 얻은 난수 2개
print(a)

b = np.random.normal(1.5, 1.5, 4)  #(1.5, 1.5^)에서 얻은 난수 4개
print(b)

c = np.random.normal(3.0, 2.0, (2, 3))  #(3.0, 2.0^)에서 얻은 (2,3)형태
print(c)

 

 

[-0.34427064 -1.00990394]
[1.81986566 2.80882101 0.86968737 2.95460914]
[[ 1.66564469  4.10576726  6.58741329]
 [ 2.98253492  4.00211777 -2.1559986 ]]

 

 

In [17]:

#시각화
plt.style.use('default')
plt.rcParams['figure.figsize'] = (6, 3)
plt.rcParams['font.size'] = 12

a = np.random.normal(0, 1, 500)
b = np.random.normal(1.5, 1.5, 5000)
c = np.random.normal(3.0, 2.0, 50000)

plt.hist(a, bins=100, density=True, alpha=0.75, histtype='step', label=r'N(0, $1^2$)')
plt.hist(b, bins=100, density=True, alpha=0.75, histtype='step', label=r'N(1.5, $1.5^2$)')
plt.hist(c, bins=100, density=True, alpha=0.75, histtype='step', label=r'N(3.0, $3.0^2$)')

plt.legend()
plt.show()

 

 

 

 

 

 

 

random.random_sample()¶

• [0.0, 1.0) 범위에서 샘플링된 임의의 실수를 반환함

• size를 지정하지 않으면 한 개의 값을, 지정하면 해당하는 차원을 갖는 넘파이 배열을 생성

• 만약 [0, 1) 범위가 아닌 [a, b) 범위의 난수를 생성하려면, (b-a) * rancom_sample() + a 와 같이 생성

 

 

In [18]:

a = np.random.random_sample()
print(a)

b = np.random.random_sample((5, 2))
print(b)

c = np.random.random_sample((3, 2)) - 3
print(c)

 

 

0.4687593475048125
[[0.22580275 0.65302636]
 [0.66132409 0.87833194]
 [0.44096291 0.12339182]
 [0.72796661 0.9296729 ]
 [0.18885479 0.10492386]]
[[-2.74971867 -2.28288289]
 [-2.910685   -2.42223252]
 [-2.83879802 -2.32826115]]

 

 

In [19]:

#시각화
plt.style.use('default')
plt.rcParams['figure.figsize'] = (6, 3)
plt.rcParams['font.size'] = 12

a = np.random.random_sample(100000)
b = 1.5 * np.random.random_sample(100000) - 0.75
c = 2 * np.random.random_sample(100000) - 1

plt.hist(a, bins=100, density=True, alpha=0.75, histtype='step', label='[0, 1)')
plt.hist(b, bins=100, density=True, alpha=0.75, histtype='step', label='[-0.75, 0.75)')
plt.hist(c, bins=100, density=True, alpha=0.75, histtype='step', label='[-1, 1)')

plt.ylim(0.0, 1.2)
plt.legend()
plt.show()                    

 

 

 

 

 

 

 

random.choice()¶

• 주어진 1차원 array로부터 size로 지정된 개수만큼 임의의 샘플을 생성함

• replace 파라미터를 이용해 복원추출 여부 지정(디폴트는 복원추출 허용, replace=True)

• 복원 추출을 하지 않는다고 지정할 때, size를 배열의 크기보다 크게 설정하면 에러 발생

 

 

In [21]:

a = np.random.choice(5, 3)   #np.arange(5)에서 3개를 뽑은 1차원 어레이
print(a)

b = np.random.choice(10, (2, 3))  ##np.arange(10)에서 뽑은 (2,3)형태의 어레이
print(b)

 

 

[0 0 4]
[[9 4 7]
 [5 7 1]]

 

 

In [22]:

a = np.random.choice([1,2,3,4,5], size=5, replace=True)
b = np.random.choice([1,2,3,4,5], size=5, replace=False)
print(a)
print(b)

 

 

[4 3 4 1 3]
[4 3 1 5 2]

 

 

In [23]:

#에러 발생 경우
a = random.choice([1,2,3,4,5], size=10, replace=False)
print(a)

 

 

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
~\AppData\Local\Temp\ipykernel_27572\957461874.py in <module>
----> 1 a = random.choice([1,2,3,4,5], size=10, replace=False)
      2 print(a)

mtrand.pyx in numpy.random.mtrand.RandomState.choice()

ValueError: Cannot take a larger sample than population when 'replace=False'

 

 

In [24]:

#시각화
plt.style.use('default')
plt.rcParams['figure.figsize'] = (6, 3)
plt.rcParams['font.size'] = 12

a = np.random.choice(10, 1000)
b = np.random.choice([0,1,2,4,8], 1000)

plt.hist(a, bins=100, density=False, alpha=0.75, histtype='step', label='Sample np.arange(5)')
plt.hist(b, bins=100, density=False, alpha=0.75, histtype='step', label='Sample [0, 1, 2, 4, 8]')

plt.ylim(0, 300)
plt.legend()
plt.show()