random_array#
- scipy.sparse.random_array(shape, *, density=0.01, format='coo', dtype=None, rng=None, data_sampler=None)[源代码]#
返回一个在 [0, 1) 范围内均匀分布的稀疏随机数数组。
返回一个具有给定形状和密度的稀疏数组,其值在 [0, 1) 范围内均匀随机生成。
- 参数:
- shape整数或整数元组
数组的形状
- density实数,可选(默认值:0.01)
生成矩阵的密度:密度为 1 表示一个完整矩阵,密度为 0 表示一个没有非零项的矩阵。
- format字符串,可选(默认值:‘coo’)
稀疏矩阵格式。
- dtypedtype,可选(默认值:np.float64)
返回矩阵值的类型。
- rng{None, int,
numpy.random.Generator
},可选 如果 rng 以关键字参数形式传递,则非
numpy.random.Generator
类型的参数会被传递给numpy.random.default_rng
以实例化一个Generator
。如果 rng 已经是一个Generator
实例,则使用该提供的实例。指定 rng 以实现可重复的函数行为。如果此参数按位置传递,或者 random_state 以关键字参数形式传递,则参数 random_state 的旧行为将适用
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,并以 random_state 作为种子。如果 random_state 已经是一个
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 SPEC-007 过渡到
numpy.random.Generator
的 SPEC-007 转换的一部分,此关键字从 random_state 更改为 rng。在过渡期间,这两个关键字都将继续有效,但一次只能指定一个。过渡期结束后,使用 random_state 关键字的函数调用将发出警告。random_state 和 rng 的行为如上所述,但新代码中应只使用 rng 关键字。此随机状态将用于采样
indices
(稀疏结构),默认也用于数据值(参见 data_sampler)。- data_sampler可调用对象,可选(默认值取决于 dtype)
随机数据值的采样器,带有关键字参数
size
。此函数应接受一个关键字参数size
,用于指定其返回的 ndarray 的长度。在选择非零值的位置之后,它用于生成矩阵中的非零值。默认情况下,使用均匀分布的 [0, 1) 随机值,除非 dtype 是整数(默认从该 dtype 中均匀采样整数)或复数(默认在复平面单位正方形内均匀采样)。对于这些情况,将使用 rng,例如rng.uniform(size=size)
。
- 返回:
- res稀疏数组
示例
传入
np.random.Generator
实例以获得更好的性能>>> import numpy as np >>> import scipy as sp >>> rng = np.random.default_rng()
默认从 [0, 1) 中均匀采样
>>> S = sp.sparse.random_array((3, 4), density=0.25, rng=rng)
为值提供一个采样器
>>> rvs = sp.stats.poisson(25, loc=10).rvs >>> S = sp.sparse.random_array((3, 4), density=0.25, ... rng=rng, data_sampler=rvs) >>> S.toarray() array([[ 36., 0., 33., 0.], # random [ 0., 0., 0., 0.], [ 0., 0., 36., 0.]])
为无符号整数值提供一个采样器
>>> def random_uint32_to_100(size=None): ... return rng.integers(100, size=size, dtype=np.uint32) >>> S = sp.sparse.random_array((3, 4), density=0.25, rng=rng, ... data_sampler=random_uint32_to_100)
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_array((3, 4), density=0.25, rng=rng, ... data_sampler=np_normal_squared)
或者我们可以从 sp.stats 风格的 rvs 函数中构建它
>>> 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_array((3, 4), density=0.25, rng=rng, ... data_sampler=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().rvs >>> S = sp.sparse.random_array((3, 4), density=0.25, ... rng=rng, data_sampler=Y)