描述

seed() 方法改變隨機數生成器的種子，可以在呼叫其他隨機模組函式之前呼叫此函式。。

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，需要匯入 random 模組，然後通過 random 靜態物件呼叫該方法。

引數

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

返回值

本函式沒有返回值。

例項

#!/usr/bin/env python

import random
 

random.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()

# 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 :  0.8444218515250481

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

seed( ) 用於指定隨機數生成時所用演算法開始的整數值，如果使用相同的seed( )值，則每次生成的隨即數都相同，如果不設定這個值，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。

Numpy

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

1) rand(d0, d1, …, dn) 用來生成d0xd1x…dn維的陣列。陣列的值在[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維的陣列。不過陣列的值服從N(0,1)的標準正態分佈

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佈,
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的資料，size可以為整數，為矩陣維數，或者張量的維數。值位於半開區間 [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的資料。取值範圍為最大值為3的整數

np.random.randint(3, 6, size=[2,3]) #返回維數為2x3的資料。取值範圍為[3,6)
array([[4, 5, 4],
       [4, 5, 3]])

4) random_integers(low[, high, size]),和上面的randint類似，區別在與取值範圍是閉區間[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隨機資料生成API

scikit-learn生成隨機資料的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資料。常用的API有：

1) 用make_regression 生成迴歸模型的資料
2) 用make_hastie_10_2，make_classification或者make_multilabel_classification生成分類模型資料
3) 用make_blobs生成聚類模型資料
4) 用make_gaussian_quantiles生成分組多維正態分佈的資料

* scikit-learn隨機資料生成例項*

迴歸模型隨機資料

這裡我們使用make_regression生成迴歸模型資料。幾個關鍵引數有n_samples（生成樣本數）， n_features（樣本特徵數），noise（樣本隨機噪音）和coef（是否返回迴歸係數）。例子程式碼如下

# -*- coding: UTF-8 -*-
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets.samples_generator import make_regression
# X為樣本特徵，y為樣本輸出， coef為迴歸係數，共1000個樣本，每個樣本1個特徵
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()

分類模型隨機資料

這裡我們用make_classification生成三元分類模型資料。幾個關鍵引數有n_samples（生成樣本數）， n_features（樣本特徵數）， n_redundant（冗餘特徵數）和n_classes（輸出的類別數），例子程式碼如下：

# -*- coding: UTF-8 -*-
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets.samples_generator import make_classification
# X1為樣本特徵，Y1為樣本類別輸出， 共400個樣本，每個樣本2個特徵，輸出有3個類別，沒有冗餘特徵，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()

聚類模型隨機資料

　這裡我們用make_blobs生成聚類模型資料。幾個關鍵引數有n_samples（生成樣本數）， n_features（樣本特徵數），centers(簇中心的個數或者自定義的簇中心)和cluster_std（簇資料方差，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為樣本特徵，Y為樣本簇類別， 共1000個樣本，每個樣本2個特徵，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()

分組正態分佈混合資料

我們用make_gaussian_quantiles生成分組多維正態分佈的資料。幾個關鍵引數有n_samples（生成樣本數）， n_features（正態分佈的維數），mean（特徵均值）， cov（樣本協方差的係數）， n_classes（資料在正態分佈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維正態分佈，生成的資料按分位數分成3組，1000個樣本,2個樣本特徵均值為1和2，協方差係數為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