一:函数介绍
np.random.permutation() 总体来说他是一个随机排列函数,就是将输入的数据进行随机排列,官方文档指出,此函数只能针对一维数据随机排列,对于多维数据只能对第一维度的数据进行随机排列。
简而言之：np.random.permutation函数的作用就是按照给定列表生成一个打乱后的随机列表
在处理数据集时，通常可以使用该函数进行打乱数据集内部顺序，并按照同样的顺序进行标签序列的打乱。
二:实例
2.1 直接处理数组或列表数
|
1
2
3
4
5
6
7
8
|
import numpy as npdata = np.array([1,2,3,4,5,6,7])a = np.random.permutation(data)b = np.random.permutation([5,0,9,0,1,1,1])print(a)print( "data:", data )print(b) |
2.2 间接处理：不改变原数据（对数组下标的处理）
|
1
2
3
|
label = np.array([1,2,3,4,5,6,7])a = np.random.permutation(np.arange(len(label)))print("Label[a] :" ,label[a] ) |
补：一般只能用于N维数组 只能将整数标量数组转换为标量索引
why?label1[a1] label1是列表，a1是列表下标的随机排列 但是！ 列表结构没有标量索引 label1[a1]报错
|
1
2
3
4
5
6
7
8
|
label1=[1,2,3,4,5,6,7]print(len(label1))a1 = np.random.permutation(np.arange(len(label1)))#有结果print(a1)print("Label1[a1] :" ,label1[a1] )#这列表结构没有标量索引 所以会报错 |
2.3 实例：鸢尾花数据中对鸢尾花的随机打乱(可以直接用）
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
from sklearn import svmfrom sklearn import datasets #sklearn 的数据集iris = datasets.load_iris()iris_x = iris.datairis_y = iris.targetindices = np.random.permutation(len(iris_x))#此时 打乱的是数组的下标的排序print(indices)print(indices[:-10])#到倒数第10个为止print(indices[-10:])#最后10个# print(type(iris_x)) <class 'numpy.ndarray'>#9:1分类#iris_x_train = iris_x[indices[:-10]]#使用的数组打乱后的下标#iris_y_train = iris_y[indices[:-10]]#iris_x_test= iris_x[indices[-10:]]#iris_y_test= iris_y[indices[-10:]] |
数组下标 即标量索引的重新分布情况： 下标是0开始
总结
到此这篇关于python中np.random.permutation函数的文章就介绍到这了,更多相关python np.random.permutation函数内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://blog.csdn.net/qq_45288176/article/details/125117426
