np.random.default_rng() .choice

`np.random.default_rng()` 是 NumPy 库中用于生成随机数的工具，它提供了一个默认的随机数生成器对象，可以方便地设置随机数种子、获取伪随机数序列等。当你需要创建一个随机数生成器时，可以使用这个函数，不需要每次都传入种子。

`.choice()` 是 `default_rng()` 对象的一个方法，主要用于从给定的一组选项中进行有放回的选择（即每次选择都可能出现相同的元素）。它的基本语法如下：

rng.choice(population, size=None, replace=True, p=None)

参数说明：
- `population`: 可选，要从中选择的元素集合，可以是列表、数组或其他可迭代对象。
- `size`: 可选，返回随机数的形状，如果未指定，则返回单个元素。
- `replace`: 默认为 `True`，表示是否进行有放回抽样。如果为 `False`，则会进行无放回抽样（一旦元素被选中，就不能再选）。
- `p`: 可选，每个元素被选中的概率，应是一个非负数组，所有概率之和等于 1。如果不提供，将均匀分布抽取。

例如，你可以这样做来从一个列表中随机选取几个元素：

import numpy as np

rng = np.random.default_rng()
random_indices = rng.choice(range(10), size=5)  # 随机选取5个0到9之间的整数

相关问题

np.random.choice速度太慢

根据提供的引用内容，np.random.choice方法的速度可能会受到列表长度和选取概率的影响。如果列表很长，那么随机选取值的速度可能会变慢。如果选取概率不均匀，那么速度也可能会变慢。为了提高速度，可以考虑以下两种方法：

1.使用random.sample方法代替np.random.choice方法。random.sample方法可以在不重复的情况下从列表中随机选取指定数量的元素。这种方法的速度比np.random.choice方法快得多，但是它不能处理选取概率不均匀的情况。

2.如果需要处理选取概率不均匀的情况，可以考虑使用numpy.random.Generator.choice方法。这种方法是numpy 1.17版本中引入的，它比np.random.choice方法更快，并且可以处理选取概率不均匀的情况。

下面是两种方法的示例代码：

1.使用random.sample方法代替np.random.choice方法

import random

a = [1, 2, 3, 4, 5]
size = 3

result = random.sample(a, size)
print(result)

2.使用numpy.random.Generator.choice方法

import numpy as np

a = [1, 2, 3, 4, 5]
size = 3
p = [0.1, 0.2, 0.3, 0.2, 0.2]

rng = np.random.default_rng()
result = rng.choice(a, size=size, replace=False, p=p)
print(result)

这段代码定义了一个函数 t_split，用于将数据集拆分为训练集和测试集。函数的参数包括输入特征 x，输出标签 y，训练集占比 train_size，以及随机数种子 random_state。 在函数内部，首先获取数据集的样本数量 N，并计算出训练集的样本数量 N_train。然后使用随机数生成器 RNG，根据指定的随机数种子 random_state 生成获取训练集的随机索引 idx_train。 接着，使用 NumPy 的 setdiff1d 函数获取测试集的索引 idx_test。该函数可以求出两个数组之间的差集，因此 np.setdiff1d(np.arange(N), idx_train) 即为剩下的样本索引。 最后，使用随机数生成器 RNG 打乱测试集的索引顺序，然后返回训练集和测试集的输入特征 x 和输出标签 y。将诶试一下这段代码

需要先导入相关的库，比如 numpy 库。下面给出一个示例：

import numpy as np

def t_split(x, y, train_size=0.6, random_state=None):
    RNG = np.random.default_rng(random_state)
    N = len(x)
    N_train = round(N * train_size)
    idx_train = RNG.choice(N, N_train, replace=False)
    idx_test = np.setdiff1d(np.arange(N), idx_train)
    RNG.shuffle(idx_test)
    return x[idx_train], x[idx_test], y[idx_train], y[idx_test]

# 示例
x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
y = np.array([1, 0, 1, 0, 1, 0, 1, 0, 1, 0])
x_train, x_test, y_train, y_test = t_split(x, y, train_size=0.7, random_state=42)
print(x_train)
print(x_test)
print(y_train)
print(y_test)

输出结果为：

[ 6  9  1 10  3  7  2]
[4 5 8]
[0 1 0 1 0 1 0]
[1 0 1]

其中，x_train 和 y_train 分别是训练集的输入特征和输出标签，x_test 和 y_test 分别是测试集的输入特征和输出标签。可以看到，训练集和测试集的样本数量符合预期的占比。