ಪರಿಹರಿಸಲಾಗಿದೆ: ನಂಬಿ ಯಾದೃಚ್ಛಿಕ ನಮೂದುಗಳು ಪುನರಾವರ್ತನೆಯಾಗುವುದಿಲ್ಲ

ಇಂದಿನ ಡೇಟಾ ಮ್ಯಾನಿಪ್ಯುಲೇಷನ್ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯ ಜಗತ್ತಿನಲ್ಲಿ, ವ್ಯಾಪಕವಾಗಿ ಜನಪ್ರಿಯವಾಗಿರುವ ಪೈಥಾನ್ ಲೈಬ್ರರಿ NumPy ಅನ್ನು ಬಳಸಿಕೊಂಡು ಪುನರಾವರ್ತಿತವಲ್ಲದ ಯಾದೃಚ್ಛಿಕ ನಮೂದುಗಳನ್ನು ರಚಿಸುವುದು ಒಂದು ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಯಾಗಿದೆ. ಈ ಲೇಖನವು ಈ ಸಮಸ್ಯೆಗೆ ಸಮಗ್ರ ಪರಿಹಾರವನ್ನು ಒದಗಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ, ಕೋಡ್‌ನ ಒಳಗಿನ ಕಾರ್ಯಗಳನ್ನು ಆಳವಾಗಿ ಪರಿಶೀಲಿಸುತ್ತದೆ ಮತ್ತು ಸಂಬಂಧಿತ ಗ್ರಂಥಾಲಯಗಳು ಮತ್ತು ಕಾರ್ಯಗಳನ್ನು ಅನ್ವೇಷಿಸುತ್ತದೆ.

NumPy ಪ್ರಬಲವಾದ ಗ್ರಂಥಾಲಯವಾಗಿದ್ದು, ಇದು ದೊಡ್ಡ ಬಹು ಆಯಾಮದ ಅರೇಗಳು ಮತ್ತು ಮ್ಯಾಟ್ರಿಸಸ್‌ಗಳಲ್ಲಿ ವಿವಿಧ ಗಣಿತ ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ನಿರ್ವಹಿಸಲು ನಮಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ ಯಾದೃಚ್ಛಿಕ ಸಂಖ್ಯೆಗಳನ್ನು ಉತ್ಪಾದಿಸುವುದು, ಇದನ್ನು NumPy ನ ಯಾದೃಚ್ಛಿಕ ಮಾಡ್ಯೂಲ್ ಬಳಸಿ ಸಾಧಿಸಬಹುದು. ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ, ಈ ಯಾದೃಚ್ಛಿಕ ನಮೂದುಗಳು ಅನನ್ಯವಾಗಿರಲು ಮತ್ತು ಪುನರಾವರ್ತನೆಯಾಗದಂತೆ ನಮಗೆ ಬೇಕಾಗಬಹುದು. ಹಂತ ಹಂತವಾಗಿ NumPy ಅನ್ನು ಬಳಸಿಕೊಂಡು ಇದನ್ನು ಹೇಗೆ ಸಾಧಿಸುವುದು ಎಂಬುದನ್ನು ಅನ್ವೇಷಿಸೋಣ.

ಮೊದಲಿಗೆ, ಅಗತ್ಯವಿರುವ ಲೈಬ್ರರಿಯನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳೋಣ ಮತ್ತು NumPy ಅನ್ನು ಬಳಸಿಕೊಂಡು ಪುನರಾವರ್ತಿತವಲ್ಲದ ಯಾದೃಚ್ಛಿಕ ನಮೂದುಗಳನ್ನು ರಚಿಸಲು ಪರಿಹಾರವನ್ನು ಚರ್ಚಿಸೋಣ.

import numpy as np

ವಿಶಿಷ್ಟ ಯಾದೃಚ್ಛಿಕ ಸಂಖ್ಯೆಗಳನ್ನು ರಚಿಸಲಾಗುತ್ತಿದೆ

ಪುನರಾವರ್ತಿತವಲ್ಲದ ಯಾದೃಚ್ಛಿಕ ನಮೂದುಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಪರಿಹಾರವು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಲ್ಲಿ ಅಡಗಿದೆ numpy.ಯಾದೃಚ್ಛಿಕ ಮಾಡ್ಯೂಲ್ ಮತ್ತು ಅದರ ವಿಧಾನಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಿಕೊಳ್ಳುವುದು. ನಿರ್ದಿಷ್ಟವಾಗಿ, ದಿ numpy.random.choice() ಈ ಸನ್ನಿವೇಶದಲ್ಲಿ ಕಾರ್ಯವು ಅತ್ಯಂತ ಉಪಯುಕ್ತವಾಗಿದೆ ಎಂದು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ, ಏಕೆಂದರೆ ಇದು ಪುನರಾವರ್ತನೆಗಳನ್ನು ತಡೆಗಟ್ಟುವ ಆಯ್ಕೆಯೊಂದಿಗೆ ನೀಡಿದ 1-D ಶ್ರೇಣಿಯಿಂದ ಯಾದೃಚ್ಛಿಕ ಮಾದರಿಗಳನ್ನು ರಚಿಸಬಹುದು.

ಕೋಡ್ ಅನ್ನು ಒಡೆಯೋಣ ಮತ್ತು ಅನನ್ಯ ಯಾದೃಚ್ಛಿಕ ಸಂಖ್ಯೆಗಳನ್ನು ಹೇಗೆ ರಚಿಸುವುದು ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳೋಣ.

def unique_random_numbers(size, lower_limit, upper_limit):
    unique_numbers = np.random.choice(np.arange(lower_limit, upper_limit), size, replace=False)
    return unique_numbers

size = 10
lower_limit = 1
upper_limit = 101

unique_numbers = unique_random_numbers(size, lower_limit, upper_limit)
print(unique_numbers)

• ನಮ್ಮ ಅನನ್ಯ_ಯಾದೃಚ್ಛಿಕ_ಸಂಖ್ಯೆಗಳು() ಕಾರ್ಯವು ಮೂರು ನಿಯತಾಂಕಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ: ರಚನೆಯ ಅಪೇಕ್ಷಿತ ಗಾತ್ರ, ಕಡಿಮೆ ಮಿತಿ ಮತ್ತು ಯಾದೃಚ್ಛಿಕ ಸಂಖ್ಯೆಗಳಿಗೆ ಮೇಲಿನ ಮಿತಿ. ಈ ಉದಾಹರಣೆಯಲ್ಲಿ, ನಾವು 10 ಮತ್ತು 1 ರ ನಡುವೆ 100 ಅನನ್ಯ ಯಾದೃಚ್ಛಿಕ ಸಂಖ್ಯೆಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಗುರಿಯನ್ನು ಹೊಂದಿದ್ದೇವೆ.
• ಕಾರ್ಯದ ಒಳಗೆ, ನಾವು ಬಳಸುತ್ತೇವೆ numpy.random.choice() ಮೂಲಕ ರಚಿಸಲಾದ ಶ್ರೇಣಿಯಿಂದ ಅಂಶಗಳನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಆಯ್ಕೆ ಮಾಡುವ ವಿಧಾನ numpy.arange() ಕಾರ್ಯ. ರಿಪ್ಲೇಸ್=ಫಾಲ್ಸ್ ಆರ್ಗ್ಯುಮೆಂಟ್ ರಚನೆಯೊಳಗೆ ಪುನರಾವರ್ತಿತವಲ್ಲದ ನಮೂದುಗಳನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ.
• ಕಾರ್ಯವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿದ ನಂತರ, ನಾವು ಅದನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಕರೆ ಮಾಡುತ್ತೇವೆ ಮತ್ತು ಪುನರಾವರ್ತಿತವಲ್ಲದ ಯಾದೃಚ್ಛಿಕ ಸಂಖ್ಯೆಗಳ ಪರಿಣಾಮವಾಗಿ ರಚನೆಯನ್ನು ಮುದ್ರಿಸುತ್ತೇವೆ.

numpy.random ಮತ್ತು numpy.arange ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು

ನಮ್ಮ numpy.ಯಾದೃಚ್ಛಿಕ ಮಾಡ್ಯೂಲ್ ಯಾದೃಚ್ಛಿಕ ಸಂಖ್ಯೆಗಳು ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಪ್ರಬಲ ಸಾಧನವಾಗಿದೆ. ಈ ಮಾಡ್ಯೂಲ್‌ನಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ಕೆಲವು ಕಾರ್ಯಗಳು ಸೇರಿವೆ numpy.random.rand(), numpy.random.randn(), ಮತ್ತು numpy.random.randint(). ಆದಾಗ್ಯೂ, ಹಿಂದೆ ಹೇಳಿದಂತೆ, ಈ ಸಮಸ್ಯೆಗೆ ನಮಗೆ ಅಗತ್ಯವಿರುವ ಕಾರ್ಯ numpy.random.choice().

numpy.arange() NumPy ಲೈಬ್ರರಿಯಲ್ಲಿಯೇ ಒಂದು ಕಾರ್ಯವಾಗಿದೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ ವ್ಯಾಪ್ತಿಯೊಳಗೆ ಮೌಲ್ಯಗಳ ಸಮಾನ ಅಂತರದ ಅನುಕ್ರಮವನ್ನು ಹಿಂತಿರುಗಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ. ಇದು ಮೂರು ನಿಯತಾಂಕಗಳನ್ನು ಸ್ವೀಕರಿಸುತ್ತದೆ: ಪ್ರಾರಂಭದ ಮೌಲ್ಯ, ಸ್ಟಾಪ್ ಮೌಲ್ಯ ಮತ್ತು ಹಂತದ ಗಾತ್ರ. ಪೂರ್ವನಿಯೋಜಿತವಾಗಿ, ಹಂತದ ಗಾತ್ರವು 1 ಆಗಿದೆ.

ವಿಶಿಷ್ಟ ಯಾದೃಚ್ಛಿಕ ನಮೂದುಗಳನ್ನು ರಚಿಸುವ ಅಪ್ಲಿಕೇಶನ್

ವಿಶಿಷ್ಟವಾದ ಯಾದೃಚ್ಛಿಕ ನಮೂದುಗಳನ್ನು ರಚಿಸುವುದು ಅನೇಕ ನೈಜ-ಪ್ರಪಂಚದ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ಅದರ ಪ್ರಾಯೋಗಿಕ ಬಳಕೆಗಳನ್ನು ಹೊಂದಿದೆ, ಅವುಗಳೆಂದರೆ:

• ಡೇಟಾ ಕಲೆಸುವಿಕೆ: ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ, ಡೇಟಾ ಬಿಂದುಗಳ ಕ್ರಮವನ್ನು ಯಾದೃಚ್ಛಿಕಗೊಳಿಸಲು, ಪಕ್ಷಪಾತಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಮತ್ತು ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಡೇಟಾವನ್ನು ಕಲೆಹಾಕಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
• ಬದಲಿ ಇಲ್ಲದೆ ಮಾದರಿ: ಅಂಕಿಅಂಶಗಳಲ್ಲಿ, ಹೆಚ್ಚಿನ ಜನಸಂಖ್ಯೆಯಿಂದ ಪ್ರತಿನಿಧಿ ಮಾದರಿಯನ್ನು ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಪುನರಾವರ್ತಿತವಲ್ಲದ ಯಾದೃಚ್ಛಿಕ ಮಾದರಿಯನ್ನು ಬಳಸಬಹುದು.
• ಯಾದೃಚ್ಛಿಕ ಕಾರ್ಯಯೋಜನೆಗಳನ್ನು ರಚಿಸುವುದು: ಪುನರಾವರ್ತನೆ ಇಲ್ಲದೆ ಗುಂಪಿನ ನಡುವೆ ಕಾರ್ಯಗಳು ಅಥವಾ ಸಂಪನ್ಮೂಲಗಳನ್ನು ವಿತರಿಸುವುದು ಅನನ್ಯ ಯಾದೃಚ್ಛಿಕ ಸಂಖ್ಯೆಗಳ ಬಳಕೆಯ ಮೂಲಕ ಸಾಧಿಸಬಹುದು.

ಕೊನೆಯಲ್ಲಿ, NumPy ಅನ್ನು ಬಳಸಿಕೊಂಡು ಪುನರಾವರ್ತಿತವಲ್ಲದ ಯಾದೃಚ್ಛಿಕ ನಮೂದುಗಳನ್ನು ರಚಿಸುವುದು numpy.random.choice() ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಸರಳ ಮತ್ತು ಪರಿಣಾಮಕಾರಿಯಾಗಿದೆ. numpy.random ಮತ್ತು numpy.arange ಕಾರ್ಯಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮತ್ತು ಅವುಗಳ ಅಪ್ಲಿಕೇಶನ್ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ, ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಅದಕ್ಕೂ ಮೀರಿದ ಪ್ರಾಯೋಗಿಕ ಬಳಕೆಯ ಪ್ರಕರಣಗಳ ಶ್ರೇಣಿಯನ್ನು ನಿಭಾಯಿಸಲು ನಮಗೆ ಅಧಿಕಾರ ನೀಡುತ್ತದೆ.