Python NumPy中 -1 的作用 及 NumPy.random.randint()的简单说明

Python代码中经常会遇到 -1 这个数字，它主要有两个作用：

1. 倒数第一
2. 自动推断

倒数第一

在list, tuple, array中表示倒数第一个

简单举例

a01 = [3, 2]                                        
print("a01[:-1]:", a01[:-1])        # output: 3     
print("a01[0:-1]:", a01[0:-1])      # output: 3     

复杂举例

大原则：左闭（inclusive）右开（exclusive）原则

【重要】这个原则在整个Python代码中都适用。
以NumPy.random.randint这个函数举例说明。

np.random.randint

randint(low, high=None, size=None, dtype=‘l’)
Return random integers from low (inclusive) to high (exclusive).
返回值：随机整数矩阵，范围：[low, high) 。
Return random integers from the “discrete uniform” distribution of
the specified dtype in the “half-open” interval [low, high).
返回指定数据类型的随机整数矩阵，其满足 “离散均匀”分布，其所在区间为半开区间[low, high)
If high is None (the default), then results are from [0, low).
如果high没有指定，则返回值范围是[0,low).
Parameters
----------
size : int or tuple of ints, optional
整数或者整数元组，这个参数是可选的，不是必须提供的。
Output shape. 返回值的形状。
If the given shape is, e.g., (m, n, k), then m * n * k samples are drawn.
如果 size 被指定为(m, n, k)，则返回值是这种形状m * n * k的矩阵。
Default is None, in which case a single value is returned.
默认值为None，此时返回一个整数。

Returns
-------
out : int or ndarray of ints
size-shaped array of random integers from the appropriate
distribution, or a single such random int if size not provided.
输出：如果size没有指定，则返回一个整数；
如果提供size，则返回 由size指定形状的整数矩阵，其满足一种合适的分布 – “离散均匀”分布。

举例说明

 np.random.randint(2, size=10)
array([1, 0, 0, 0, 1, 1, 0, 0, 1, 0])

【笔者说明】
low=2，没有指定high，说明随机整数是在[0,2)之间分布，即只可能是0或1
size=10，说明是一维矩阵，里面有10个数。
结果自然是ndarray类型的[1, 0, 0, 0, 1, 1, 0, 0, 1, 0]

更多例子可以参考docs.scipy.org的官方说明
链接：https://docs.scipy.org/doc/numpy-1.13.0/reference/generated/numpy.random.randint.html

实际代码

这段函数是从keras.utils.to_categorical复制过来的，将其改名为my_to_categorical，作用是生成one-hot码。

#! /usr/bin/env python
# -*- coding: utf-8 -*-

# import the necessary packages
import numpy as np

def my_to_categorical(y, num_classes=None, dtype='float32'):
    y = np.array(y, dtype='int')
    input_shape = y.shape
    if input_shape and input_shape[-1] == 1 and len(input_shape) > 1:
        input_shape = tuple(input_shape[:-1])
    y = y.ravel()
    if not num_classes:
        num_classes = np.max(y) + 1
    n = y.shape[0]
    categorical = np.zeros((n, num_classes), dtype=dtype)
    categorical[np.arange(n), y] = 1
    output_shape = input_shape + (num_classes,)
    categorical = np.reshape(categorical, output_shape)
    return categorical

a1 = np.random.randint(10, size=(3, 1))     # a1.shape = (3,1)
print(a1.shape)		# a1.shape = (3,1)
print("a1:\n", a1)
print("*" * 6, "my_to_categorical", "*" * 6)
oneHotA1 = my_to_categorical(a1, num_classes=10)
print("oneHotA1:\n", oneHotA1) 

输出结果

a1:
[[3]
[1]
[4]]
****** my_to_categorical ******
oneHotA1:
[[ 0. 0. 0. 1. 0. 0. 0. 0. 0. 0.]
[ 0. 1. 0. 0. 0. 0. 0. 0. 0. 0.]
[ 0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]]

自动推断

通过已知参数推断出的一个形状参数时，可以将其设置为-1.
【注意】不可以写成a2 = a1.reshape(2, -1, -1)
会报错：“can only specify one unknown dimension”只能指定一个未知维度

# import the necessary packages
import numpy as np

a1 = np.arange(36).reshape(4,9)     # a1.shape = (4, 9)
a2 = a1.reshape(2, 3, -1)       # 6 = 36 / (2*3)
print("a2.shape：",a2.shape)     # a2.shape = (2， 3， 6)
a3 = a1.reshape(2, -1, 6)       # 3 = 36 / (2*6)
print("a3.shape：",a3.shape)     # a3.shape = (2， 3， 6)

输出结果参考代码右边的 # 注释。