Python Random Uniforme Numpy.Aléatoire.Uniforme

Nous examinerons la méthode d'uniforme aléatoire Numpy dans cet article. Nous examinerons également la syntaxe et les paramètres pour obtenir une meilleure connaissance du sujet. Ensuite, en utilisant quelques exemples, nous verrons comment toute la théorie est mise en pratique. Numpy est un package python très grand et puissant, comme nous le savons tous.

Il a beaucoup de fonctions, notamment Numpy Random Uniform (), qui est l'une d'entre elles. Cette fonction nous aide à obtenir des échantillons aléatoires à partir d'une distribution de données uniforme. Après cela, les échantillons aléatoires sont renvoyés sous forme de tableau Numpy. Nous comprendrons mieux cette fonction alors que nous passons par cet article. Nous regarderons la syntaxe qui va de pair ensuite.

Syntaxe d'uniforme aléatoire Numpy ()

La syntaxe de la méthode aléatoire Numpy Random () est répertoriée ci-dessous.

# Numpy.aléatoire.uniforme (bas = 0.0, haut = 1.0)

Pour une meilleure compréhension, passons en revue chacun de ses paramètres un par un. Chaque paramètre affecte le fonctionnement de la fonction d'une certaine manière.

Taille

Il détermine le nombre d'éléments ajoutés au tableau de sortie. En conséquence, si la taille est réglée sur 3, le tableau Numpy de sortie aura trois éléments. La sortie aura quatre éléments si la taille est réglée sur 4.

Un tuple de valeurs peut également être utilisé pour fournir la taille. La fonction créera un tableau multidimensionnel dans ce scénario. NP.aléatoire.L'uniforme construira un tableau Numpy avec une ligne et deux colonnes si la taille = (1,2) est spécifiée.

L'argument de taille est facultatif. Si le paramètre de taille est laissé vide, la fonction renvoie une seule valeur entre basse et haut.

Faible

Le paramètre bas établit une limite inférieure à la plage des valeurs de sortie possibles. Gardez à l'esprit que Low est l'une des sorties possibles. En conséquence, si vous définissez bas = 0, la valeur de sortie peut-être 0. C'est un paramètre facultatif. Il sera par défaut à 0 si ce paramètre ne reçoit aucune valeur.

Haut

La limite supérieure des valeurs de sortie autorisées est spécifiée par le paramètre élevé. Il convient de mentionner que la valeur du paramètre élevé n'est pas prise en compte. En conséquence, si vous définissez la valeur de High = 1, il pourrait ne pas être possible pour vous d'obtenir la valeur exacte 1.

Notez également que le paramètre élevé nécessite l'utilisation d'un argument. Cela dit, vous n'avez pas à utiliser le nom du paramètre directement. Pour le dire différemment, vous pouvez utiliser la position de ce paramètre pour y passer un argument.

Exemple 1:

Tout d'abord, nous ferons un tableau Numpy avec quatre valeurs de la plage [0,1]. Le paramètre de taille est affecté à la taille = 4 dans ce cas. En conséquence, la fonction renvoie un tableau numpy contenant quatre valeurs.

Nous avons également réglé les valeurs faibles et élevées sur 0 et 1, respectivement. Ces paramètres définissent la plage de valeurs qui peuvent être utilisées. La sortie se compose de quatre chiffres allant de 0 à 1.

Importer Numpy comme NP
NP.aléatoire.graines (30)
Imprimer (NP.aléatoire.uniforme (taille = 4, bas = 0, haut = 1))

Vous trouverez ci-dessous l'écran de sortie dans lequel vous pouvez voir que les quatre valeurs sont générées.

Exemple 2:

Nous ferons ici un tableau bidimensionnel de nombres également distribués. Cela fonctionne de la même manière que nous avons discuté dans le premier exemple. La distinction clé est l'argument du paramètre de taille. Nous utiliserons la taille = dans ce cas (3,4).

Importer Numpy comme NP
NP.aléatoire.graine (1)
Imprimer (NP.aléatoire.uniforme (taille = (3,4), bas = 0, haut = 1))

Comme vous pouvez le voir dans la capture d'écran ci-jointe, le résultat est un tableau Numpy avec trois lignes et quatre colonnes. Parce que l'argument de taille a été défini sur la taille = (3,4). Un tableau avec trois lignes et quatre colonnes est créé dans notre cas. Les valeurs du tableau sont toutes comprises entre 0 et 1 parce que nous définissons bas = 0 et haut = 1.

Exemple 3:

Nous ferons une gamme de valeurs de manière cohérente à partir d'une plage donnée. Nous ferons un tableau Numpy avec deux valeurs ici. Les valeurs, cependant, seront choisies dans la gamme [40, 50]. Les paramètres bas et aussi élevés peuvent être utilisés pour définir les points (bas et haut) de la plage. Le paramètre de taille a été défini sur la taille = 2 dans ce cas.

Importer Numpy comme NP
NP.aléatoire.graine (0)
Imprimer (NP.aléatoire.uniforme (taille = 2, bas = 40, haut = 50))

En conséquence, la sortie a deux valeurs. Nous avons également réglé les valeurs faibles et élevées à 40 et 50, respectivement. En conséquence, toutes les valeurs sont dans les années 50 et 60, comme vous pouvez le voir ci-dessous.

Exemple 4:

Voyons maintenant un exemple plus complexe qui nous aidera à mieux comprendre. Un autre exemple du Numpy.aléatoire.La fonction uniforme () peut être trouvée ci-dessous. Nous avons dessiné le graphique au lieu de simplement calculer la valeur comme nous l'avons fait dans les exemples précédents.

Nous avons utilisé Matplotlib, un autre grand paquet Python, pour ce faire. La bibliothèque Numpy a été importée pour la première fois, suivie de Matplotlib. Ensuite, nous avons utilisé la syntaxe de notre fonction pour obtenir le résultat que nous voulions. Après cela, la bibliothèque Matplot est utilisée. En utilisant les données de notre fonction établie, nous pourrions générer ou imprimer un histogramme.

Importer Numpy comme NP
Importer Matplotlib.pypllot comme plt
tracé_p = np.aléatoire.uniforme (-1, 1, 500)
PLT.Hist (tracé_p, bacs = 50, densité = true)
PLT.montrer()

Ici, vous pouvez voir le graphique au lieu des valeurs.

Conclusion:

Nous avons parcouru la méthode Numpy Random Uniform () dans cet article. En plus de cela, nous avons examiné la syntaxe et les paramètres. Nous avons également fourni des exemples différents pour vous aider à mieux comprendre le sujet. Pour chaque exemple, nous avons changé la syntaxe et examiné la sortie. Enfin, nous pouvons dire que cette fonction nous aide en générant des échantillons à partir d'une distribution uniforme.