Numpy随机数生成器和lambda函数[重复]

基础概念

Numpy随机数生成器：Numpy库提供了强大的随机数生成功能，可以生成各种分布的随机数。这些随机数生成器基于不同的算法和种子（seed）来产生随机数序列。

Lambda函数：Lambda函数是一种匿名函数，可以在一行代码中定义简单的函数。它通常用于需要短小、临时的函数定义，特别是在需要传递函数作为参数的场景中。

类型与应用场景

Numpy随机数生成器：
- 均匀分布随机数：numpy.random.rand(d0, d1, ..., dn)
- 正态分布随机数：numpy.random.normal(loc=0.0, scale=1.0, size=None)
- 二项分布随机数：numpy.random.binomial(n, p, size=None)
- 应用场景：模拟实验、数据分析、机器学习模型训练等。
Lambda函数：
- 简单排序：sorted(list, key=lambda x: x[0])
- 过滤列表：list(filter(lambda x: x > 5, my_list))
- 应用场景：数据处理、函数式编程、回调函数等。

示例代码

import numpy as np

# 使用Numpy生成随机数
random_numbers = np.random.rand(5)
print("Random numbers:", random_numbers)

# 使用Lambda函数对随机数进行排序
sorted_numbers = sorted(random_numbers, key=lambda x: -x)
print("Sorted numbers:", sorted_numbers)

遇到的问题及解决方法

问题：生成的随机数序列每次都不一样，如何使其可重复？

原因：默认情况下，Numpy随机数生成器使用系统时间作为种子，因此每次运行程序时都会生成不同的随机数序列。

解决方法：在生成随机数之前，设置相同的种子。

np.random.seed(42)  # 设置种子为42
random_numbers = np.random.rand(5)
print("Repeatable random numbers:", random_numbers)

问题：Lambda函数在处理复杂逻辑时显得不够清晰？

原因：Lambda函数适合简单的操作，对于复杂的逻辑，使用普通的函数定义会更加清晰和易于维护。

解决方法：将复杂的逻辑封装到普通的函数中。

def complex_logic(x):
    return x ** 2 + 2 * x + 1

# 使用普通函数
result = list(map(complex_logic, [1, 2, 3]))
print("Result using normal function:", result)