Thuta Learning
ရှာဖွေရန်
AdvancedData & Databasesintermediate

Random Numbers

စိတ်လျှော့ပါ။ ဒီခန်းကို စာအုပ်လိုမဟုတ်ဘဲ စကားပြောသလိုပဲ၊ နားလည်လွယ်အောင် ရှင်းပါမယ်။

NumPy ရဲ့ random tools တွေက random numbers ပါတဲ့ arrays တွေကို generate လုပ်ပေးပါတယ်။ Testing data, simulation, sampling, machine learning initialization စတာတွေမှာအသုံးများပါတယ်။ Random result က run တစ်ခါနဲ့တစ်ခါကွာနိုင်တာကြောင့် reproducible result လိုချင်ရင် random generator seed သတ်မှတ်ပါ။

python
import numpy as np

rng = np.random.default_rng(seed=42)

# Random floats between 0 and 1
floats = rng.random((2, 3))
print("Random floats:
", floats)

# Random integers from 1 to 10
integers = rng.integers(1, 11, size=(3, 3))
print("
Random integers:
", integers)

np.random.default_rng(seed=42) က random number generator တစ်ခုတည်ဆောက်ပါတယ်။ Seed ထည့်ထားတဲ့အတွက် code ကိုပြန် run လုပ်တိုင်း result တူပါမယ်။ rng.random((2, 3)) က 2x3 random float array ထုတ်ပြီး rng.integers(1, 11, size=(3, 3)) က 1 ကနေ 10 အထိ integer array ထုတ်ပါတယ်။ 11 မပါဝင်ပါ။

You should see
Random floats: [[0.77395605 0.43887844 0.85859792] [0.69736803 0.09417735 0.97562235]] Random integers: [[8 8 8] [8 6 2] [9 5 6]]

Info

အသစ်ရေးတဲ့ project တွေမှာ np.random.default_rng() ကိုသုံးတာက ပိုသန့်ပါတယ်။ ဟောင်းတဲ့ code တွေမှာ np.random.rand(), np.random.randint() တွေကိုလည်းတွေ့ရနိုင်ပါတယ်။

ဒီနေရာမှာ လူအများမှားတတ်တယ်

  • rng.integers(1, 11) မှာ high value 11 ကမပါဝင်ပါ။ 1 ကနေ 10 အထိလိုချင်လို့ 11 ကို high အနေနဲ့ရေးတာပါ။

လေ့ကျင့်ခန်း

User behavior simulation, lottery-like testing data, fake sales numbers, A/B testing sample data စတာတွေကို စမ်းသပ်ဖို့ random arrays ကိုအသုံးပြုနိုင်ပါတယ်။

You'll know it worked when: