Numpy 　乱数の使い方（動画あり）

Numpyの乱数

Numpy には様々な乱数を発生させる関数が用意されています。
乱数を作成する時に、シードを指定すると何度実行しても同じ乱数が得られることになります。
seed()の引数の値は何を使ってもよいのですが、42という値を見ることがあります。
プログラム的には意味がありませんが、「生命、宇宙、そして万物についての究極の疑問の答え」に出てきたりする単なるお遊びです。

Numpyで作る乱数

乱数を作成する関数のポイント

• rand()に引数を複数入れることで、配列の次元を増やせます
• rand()とrand_sample()は引数の指定が異なります。rand_sample()は引数はひとつで高次元の配列を作る場合はタプルを使います
• normal()の引数のlocは分布の平均「中心」を、scaleは分布の標準偏差を表します

seedを使うと何度実行しても同じランダムな値になります。

import numpy.random as random
# seed作成
random.seed(42)
# 正規分布の乱数　平均0、標準偏差1
rnd_data = random.randn(10)
print(rnd_data)
rnd_data.min()

結果
[ 0.497 -0.138 0.648 1.523 -0.234 -0.234 1.579 0.767 -0.469 0.543]
-0.469

5行3列のランダムな値を作成

# random.rand()で高次元の指定も可能
rnd_data12 = random.rand(10, 5, 3)
print(rnd_data12)

結果は実際のコードで確認ください
[[[0.021 0.97 0.832]
[0.212 0.182 0.183]
[0.304 0.525 0.432]
[0.291 0.612 0.139]
[0.292 0.366 0.456]]
ーーーーー以下省略ーーーーーー

random_sample()の例

# random.rand()と同様に使えるが、タプルで高次元の指定も可能
rnd_data2 = random.random_sample(10)
print(rnd_data2)
rnd_data13 = random.random_sample((10,5))
print(rnd_data13)

結果
[0.368 0.632 0.634 0.536 0.09 0.835 0.321 0.187 0.041 0.591]
[[0.678 0.017 0.512 0.226 0.645]
[0.174 0.691 0.387 0.937 0.138]
[0.341 0.113 0.925 0.877 0.258]
[0.66 0.817 0.555 0.53 0.242]
[0.093 0.897 0.9 0.633 0.339]
[0.349 0.726 0.897 0.887 0.78 ]
[0.642 0.084 0.162 0.899 0.606]
[0.009 0.101 0.664 0.005 0.161]
[0.549 0.692 0.652 0.224 0.712]
[0.237 0.325 0.746 0.65 0.849]]

randint()の例

# randint()の第2引数は次元ではなく終わりの値、第3引数に個数を指定
rnd_data3 = random.randint(2,8,3)
print(rnd_data3)

結果
[2 2 5]

ランダムな抽出

random.choice()の例

# random.seed(42)
data = np.array([9, 2, 3, 4, 10, 6, 7, 8, 1, 5])
print(random.choice(data,1))
print(random.choice(data,10)) #重複あり、復元抽出
print(random.choice(data,10,replace=False)) # 重複なし、非復元抽出

結果
[3]
[ 6 7 6 6 6 3 6 8 2 10]
[ 1 2 6 7 3 8 4 10 5 9]

普通のリストでも使える

# random.seed(42)
data_p = [9, 2, 3, 4, 10, 6, 7, 8, 1, 5]
print(random.choice(data_p,1))

結果
[9]

Numpyで行列作成

arange()関数について

np.arangeは、連番や等差数列を生成する関数です。
同様の関数としてlinspaceがありますが、指定できる要素が異なるのとarangeは１つだけ引数を設定するだけで手軽に数列を生成できる違いがあります。

np.arange関数の例

np.arange(9)

結果
array([0, 1, 2, 3, 4, 5, 6, 7, 8])

np.arange関数で詳細に引数を決めた場合の例

array0 = np.arange(3,12,2,dtype=np.float64)
array0

結果
array([ 3., 5., 7., 9., 11.])

reshape()とshapeプロパティ

reshape()は行列の形を変えます。
shapeプロパティは行列の型を返します。

np.arange関数でベクトルを作成後にreshapeで行列に変換することは頻繁に行われます。

array1 = np.arange(6).reshape(2,3)
array1

結果
array([[0, 1, 2],
[3, 4, 5]])

array1 = np.arange(6)
array1.reshape(3,2)

結果
array([[0, 1],
[2, 3],
[4, 5]])

a = np.array([[0, 1],
          [2, 3],
          [4, 5]])
a.shape

結果
(3, 2)

np.arange(6).shape

結果
(6,)

array_2 = np.arange(30).reshape(5,3,2)
array_2

結果
array([[[ 0, 1],
[ 2, 3],
[ 4, 5]],

[[ 6, 7],
[ 8, 9],
[10, 11]],

[[12, 13],
[14, 15],
[16, 17]],

[[18, 19],
[20, 21],
[22, 23]],

[[24, 25],
[26, 27],
[28, 29]]])

参考になった書籍

機械学習入門時には、難しいし、リファレンスとしても使いにくいなどであまり活用しなかったが、特徴量エンジニアリングが必要になるくらいから途端にありがたい書籍になった。Pandasの作者自ら書いた本でNumpyやPandasの使い方が詳細に書かれている。

Pythonサンプルのダウンロード

ここでダウンロードする「numpy_lesson.ipynb」ファイルは、このPython動画で使用したものです。

numpy_lesson.ipynb

Numpy動画一覧

• Numpy で行列積を計算する方法〜np.dot関数を使う（動画あり）
• Numpy 　スライスについて（動画あり）
• Numpy 　乱数の使い方（動画あり）
• Numpyの計算について、ソートの方法、基本統計量の関数（動画あり）
• Numpy入門　Numpy配列の作り方（動画あり）