为数组中的每个槽分配不同的随机数答案

【问题标题】：Assigning different random number to each slot in an array为数组中的每个槽分配不同的随机数
【发布时间】：2020-10-12 16:44:29
【问题描述】：

这是我的代码：

mut1 = np.zeros((100, 52))
mutate = lambda mut1 : mut1 + (np.random.uniform(0, 1) > 0.5) * np.random.uniform(-0.1, 0.1)
mut1 = mutate(mut1)
print(mut1)

[[-0.02017634 -0.02017634 -0.02017634 ... -0.02017634 -0.02017634
  -0.02017634]
 [-0.02017634 -0.02017634 -0.02017634 ... -0.02017634 -0.02017634
  -0.02017634]
 [-0.02017634 -0.02017634 -0.02017634 ... -0.02017634 -0.02017634
  -0.02017634]
 ...
 [-0.02017634 -0.02017634 -0.02017634 ... -0.02017634 -0.02017634
  -0.02017634]
 [-0.02017634 -0.02017634 -0.02017634 ... -0.02017634 -0.02017634
  -0.02017634]
 [-0.02017634 -0.02017634 -0.02017634 ... -0.02017634 -0.02017634
  -0.02017634]]

问题是我的mut1 数组中的每个元素都获得了相同的突变。

【问题讨论】：

这里有 lambda 的原因吗？有什么理由你不能这样做：mut1 + =(np.random.uniform(0,1,mut1.shape) > 0.5) * np.random.uniform(-0.1,0.1,mut1.shape)？
哎呀，试图让它过于复杂。谢谢vm
发生这种情况是因为(np.random.uniform(0,1) > 0.5) * np.random.uniform(-0.1,0.1) 将被广播以添加到 mut1 数组中。由于它只是广播的单个值，因此您将在 mut1 数组中看到相同的突变。
stackoverflow.com/a/43788033/6361531

标签： python numpy random

【解决方案1】：

您正在将随机突变添加到整个数组中，这就是所有元素都相同的原因。您需要为每个元素执行此操作：

mut1 = np.zeros((100,52))
mutate = lambda x : x + (np.random.uniform(0,1) > 0.5) * np.random.uniform(-0.1,0.1)
mutator = np.vectorize(mutate)
mutator(mut1)
print(mut1)

【讨论】：

另一个替代np.vectorize（没有魔法）的选项是根据x指定随机数组的形状，如a comment on OP's post中所写。
您的诊断很准确，但vectorize 几乎从来都不是 numpy 中的最佳选择，因为它只是一个美化的 python 循环。

【解决方案2】：

您需要生成至少与您想填充插槽一样多的数字。简单的方法是使用np.where，并从原始数组或基于掩码的突变中进行选择：

mut1 = np.where(np.random.randint(2, size=mut1.shape, dtype=bool),
                np.random.uniform(-1.0, 1.0, size=mut1.shape), mut1)

这有点浪费，因为它为整个数组生成随机数，而不仅仅是被屏蔽的部分。您可以通过直接设置遮罩部分来缓解这种情况。

mask = np.random.randint(2, size=mut1.shape, dtype=bool)
count = np.count_nonzero(mask)
mut1[mask] = np.random.uniform(-1.0, 1.0, size=count)

注意事项：

如果您不为每个更新的元素生成单独的值，则单个值将被广播给所有元素。
lambda 在功能上与函数相同。您根本不需要在这里使用它。
在这种特殊情况下，不需要对浮点数组设置阈值来获取掩码，因为您可以直接生成布尔值。不过，对于不合理的比率，阈值化会更容易。

【讨论】：