[Numpy] Random Number generation

Numpy의 랜던 숫자 생성 기능은 데이터 분석, 시뮬레이션, 머신러닝 등에서 많이 사용된다.

numpy.random 모듈을 활용하면 다양한 확률 분포에 따른 난수를 쉽게 생성할 수 있다.

numpy.random 모듈은 통계학적 분포를 따르는 난수 뿐만 아니라 여러가지 유용한 랜덤 샘플링 기법을 제공한다.

---

1. np.random.random()

● 0 이상 1 미만의 균등분포에서 난수를 생성한다.

● np.random.random(size)

● size 파라미터로 생성할 배열의 크기를 지정할 수 있다.

import numpy as np
rand_arr = np.random.random(5)
print(rand_arr)  

## 출력
[0.85737057 0.38114576 0.67098185 0.29898713 0.43120272]

*균등분포: 확률밀도함수가 일정한 분포로, 주어진 범위 내에서 모든 값이 동일한 확률을 가지는 분포

주어진 구간에서 랜덤하게 값을 뽑았을 때, 모든 값이 동일한 확률로 선택됨.

 

2. np.random.uniform()

● np.random.uniform(low, high, size)

● 균등 분포에 따라 low와 high사이에서 난수를 생성한다.

● random()과 달리 low와 high값을 지정할 수 있다.

rand_uniform = np.random.uniform(0, 5, size=3)
print(rand_uniform)  
## 출력 [4.05961504 3.23067416 1.95382239]

 

3. np.random.randn()

● 표준정규분포를 따르는 난수를 생성하는 함수

● 생성된 값들은 평균을 중심으로 대칭적으로 분포

● np.random.randn(size)

import numpy as np

# 표준 정규 분포에서 난수 5개 생성
random_normal = np.random.randn(5)
print(random_normal)

## 출력
[ 0.4515841  -0.19432967 -0.70119772  0.68811335  1.34165691]

 

4. np.random.normal()

● 정규분포를 따르는 난수를 생성한다.

● randn()함수와 비슷하지만 평균과 표준편차를 인수로 지정할 수 있다.

● np.random.normal(loc, scale, size) loc: 평균, scale: 표준편차, size: 배열 크기

rand_normal = np.random.normal(0, 1, size=5)
print(rand_normal)

## 출력 [-0.67083647  0.60980033 -0.89807303  0.21254283 -0.6738996 ]

 

 

5. np.random.rand()

● random()함수와 유사하지만, 배열의 크기를 파라미터로 직접 전달한다.

● random()함수와 마찬가지로 균등분포에서 0이상 1미만의 난수를 생성한다

●  np.random.rand(d0, d1, ..., dn)

rand_arr = np.random.rand(3, 4)  # 3x4 배열 생성
print(rand_arr)

## 출력
[[0.75795393 0.10726866 0.63904263 0.63539994]
 [0.72574073 0.47446369 0.16789948 0.3732481 ]
 [0.34833214 0.12229996 0.93722798 0.92827445]]

 

6. np.random.randint()

● 지정한 범위의 정수를 반환한다. low는 최소값, high는 최대값이다.

● np.random.randint(low, high, size)

rand_int = np.random.randint(1, 10, size=5)
print(rand_int) 

## 출력
[4 7 1 3 8]

 

7. np.random.choice()

● 주어진 배열 a에서 무작위로 샘플을 선택한다.

● np.random.choice(a, size, replace, p)

● size: 생성할 샘플의 수, p: 각 항목이 선택될 확률 분포를 담고 있는 배열(None이면 기본적으로 모든 원소가 동일한 확률로 선택된다.)

● replace=False로 설정하면 중복 없이 선택할 수 있다.

rand_choice = np.random.choice([1, 2, 3, 4, 5], size=3, replace=False)
print(rand_choice)

##출력 
[4 2 3]

 

8. np.random.permutation()

● 배열을 무작위로 섞는다.

● x가 정수일 경우 0에서 x-1까지의 정수 배열을 섞는다.

● np.random.permutation(x)

arr = np.array([1, 2, 3, 4, 5])
permuted = np.random.permutation(arr)
print(permuted) 

## 출력
[3 1 5 2 4]

 

9. np.random.seed()

● 난수 생성기의 초기값을 설정하여, 동일한 난수 시퀸스를 재현할 수 있다.

● 같이 seed값을 사용하면 항상 같은 난수를 생성한다.

● np.random.seed(seed)

np.random.seed(42)  # 난수 생성기 초기화
print(np.random.random(3))  

## 출력
[0.37454012 0.95071431 0.73199394]

 

다른 메소드들도 알아두면 좋지만 np.random.seed()는 꼭 알아두는 것이 좋다.

랜덤한 수를 생성할 때 결과가 매번 달라지기 때문에 디버깅이나 실험을 할 때 seed를 통해 난수 생성기의 초기 상태를 고정할 수 있다. 

머신러닝 실험에서 같은 데이터를 다루기 위해 매번 동일한 결과를 얻고 싶을때 유용하다.