Ctrl+K
scipy.sparse.

random#

scipy.sparse.random(m, n, density=0.01, format='coo', dtype=None, rng=None, data_rvs=None)[源代码]#

生成具有给定形状和密度的随机分布值的稀疏矩阵。

警告

此函数返回一个稀疏矩阵，而不是一个稀疏数组。建议使用 random_array 来利用稀疏数组的功能。

参数:
m, nint

矩阵的形状

density实数，可选

生成矩阵的密度：密度等于 1 表示满矩阵，密度为 0 表示没有非零元素的矩阵。

format字符串，可选

稀疏矩阵格式。

dtypedtype，可选

返回的矩阵值的类型。

rng{None, int, numpy.random.Generator}, 可选

如果通过关键字传递 rng，则将 numpy.random.Generator 之外的类型传递给 numpy.random.default_rng 以实例化一个 Generator。如果 rng 已经是 Generator 实例，则使用提供的实例。指定 rng 以实现可重复的函数行为。

如果此参数通过位置传递或 random_state 通过关键字传递，则适用参数 random_state 的旧行为。

  • 如果 random_state 为 None (或 numpy.random)，则使用 numpy.random.RandomState 单例。

  • 如果 random_state 是一个整数，则使用一个新的 RandomState 实例，并使用 random_state 进行种子设置。

  • 如果 random_state 已经是 Generator 或 RandomState 实例，则使用该实例。

在版本 1.15.0 中更改: 作为从使用 numpy.random.RandomState 过渡到 numpy.random.Generator 的 SPEC-007 过渡的一部分，此关键字从 random_state 更改为 rng。在过渡期间，这两个关键字将继续工作，尽管一次只能指定一个。在过渡期之后，使用 random_state 关键字的函数调用将发出警告。上面概述了 random_state 和 rng 的行为，但在新代码中应仅使用 rng 关键字。

此随机状态将用于采样稀疏结构，但不一定用于采样矩阵的结构非零条目的值。

data_rvs可调用对象，可选

采样请求的随机值的数量。此函数应接受一个指定它将返回的 ndarray 长度的参数。稀疏随机矩阵的结构非零条目将取自此函数采样的数组。默认情况下，将使用与采样稀疏结构相同的随机状态采样均匀 [0, 1) 随机值。

返回:
res稀疏矩阵

另请参见

random_array

构造稀疏数组而不是稀疏矩阵

示例

传递一个 np.random.Generator 实例以获得更好的性能

>>> import scipy as sp
>>> import numpy as np
>>> rng = np.random.default_rng()
>>> S = sp.sparse.random(3, 4, density=0.25, rng=rng)

为值提供采样器

>>> rvs = sp.stats.poisson(25, loc=10).rvs
>>> S = sp.sparse.random(3, 4, density=0.25, rng=rng, data_rvs=rvs)
>>> S.toarray()
array([[ 36.,   0.,  33.,   0.],   # random
       [  0.,   0.,   0.,   0.],
       [  0.,   0.,  36.,   0.]])

构建自定义分布。此示例从 np.random 构建一个平方正态分布

>>> def np_normal_squared(size=None, rng=rng):
...     return rng.standard_normal(size) ** 2
>>> S = sp.sparse.random(3, 4, density=0.25, rng=rng,
...                      data_rvs=np_normal_squared)

或者我们可以从 sp.stats 样式 rvs 函数构建它

>>> def sp_stats_normal_squared(size=None, rng=rng):
...     std_normal = sp.stats.distributions.norm_gen().rvs
...     return std_normal(size=size, random_state=rng) ** 2
>>> S = sp.sparse.random(3, 4, density=0.25, rng=rng,
...                      data_rvs=sp_stats_normal_squared)

或者我们可以子类化 sp.stats rv_continuous 或 rv_discrete

>>> class NormalSquared(sp.stats.rv_continuous):
...     def _rvs(self,  size=None, random_state=rng):
...         return rng.standard_normal(size) ** 2
>>> X = NormalSquared()
>>> Y = X()  # get a frozen version of the distribution
>>> S = sp.sparse.random(3, 4, density=0.25, rng=rng, data_rvs=Y.rvs)
在此页面