Ctrl+K
scipy.sparse.

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) 范围内均匀分布的随机数的稀疏数组

返回一个具有给定形状和密度的稀疏数组，其中的值在 [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: 0.01)

生成矩阵的密度：密度等于 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: ‘coo’)

稀疏矩阵格式。

dtypedtype，可选 (默认: np.float64)

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 以外的类型传递给 numpy.random.default_rng 以实例化 Generator。 如果 rng 已经是一个 Generator 实例，则使用提供的实例。 指定 rng 以获得可重复的函数行为。

如果此参数按位置传递，或者通过关键字传递 random_state，则应用参数 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，并用 random_state 进行初始化。

  • 如果 random_state 已经是一个 Generator 或 RandomState 实例，则使用该实例。

在 1.15.0 版本中更改：作为从使用 numpy.random.RandomState 到 numpy.random.Generator 的 SPEC-0007 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。 过渡期过后，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 indices （稀疏结构），默认情况下也用于数据值（请参见 data_sampler）。

data_sampler可调用对象，可选（默认值取决于 dtype）

具有关键字参数 size 的随机数据值采样器。 此函数应采用一个关键字参数 size，该参数指定其返回的 ndarray 的长度。 它用于在选择这些值的位置后生成矩阵中的非零值。 默认情况下，除非 dtype 是整数（来自该 dtype 的默认均匀整数）或复数（复平面单位正方形上的默认均匀值），否则使用均匀 [0, 1) 随机值。 对于这些，使用 rng，例如 rng.uniform(size=size)。

返回:
res稀疏数组

示例

传递 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) 均匀采样

>>> S = sp.sparse.random_array((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_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.]])

构建自定义分布。 此示例从 np.random 构建平方正态分布

>>> 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，我们可以继承 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)
在此页面上