Python中的random子產品的函數choice(seq)多種應用

random.choices(population, weights=None, *, cum_weights=None, k=1)是Python中random子產品提供的一個函數，用于從序列population中随機選擇k個元素，并傳回一個清單。其中，序列population可以是清單、元組、字元串或其他序列類型。另外，weights參數可以指定每個元素被選擇的權重，cum_weights參數可以指定每個元素的累積權重，進而影響元素被選擇的機率。

函數參數說明：

• population：必選參數，表示要從中選擇元素的序列，可以是清單、元組、字元串或其他序列類型。
• weights：可選參數，表示每個元素被選擇的權重，必須是一個與population長度相同的清單。如果不指定該參數，則預設每個元素的權重相等。
• cum_weights：可選參數，表示每個元素的累積權重，必須是一個與population長度相同的清單。如果同時指定了weights和cum_weights參數，則weights參數将被忽略。
• k：可選參數，表示要選擇的元素個數，預設為1。

1、我們使用 random.choices() 從1到6的數字中随機選擇一個數字，以模拟擲骰子的結果。

import random

# 模拟擲骰子
def roll_die(sides):
    return random.choices(range(1, sides+1))[0]

# 調用擲骰子函數
sides = 6
result = roll_die(sides)
print(result)           

2、random.choices()函數來實作遺傳算法的選擇操作

import random

# 生成初始種群
def generate_population(size, chromosome_length):
    population = []
    for i in range(size):
        chromosome = [random.randint(0, 1) for _ in range(chromosome_length)]
        population.append(chromosome)
    return population

# 适應度函數
def fitness(chromosome):
    return sum(chromosome)

# 選擇操作
def selection(population, fitnesses):
    return random.choices(population, weights=fitnesses, k=2)

# 交叉操作
def crossover(parent1, parent2):
    point = random.randint(0, len(parent1) - 1)
    child1 = parent1[:point] + parent2[point:]
    child2 = parent2[:point] + parent1[point:]
    return child1, child2

# 變異操作
def mutation(individual):
    mutation_rate = 0.01
    mutation_range = 0.1
    if random.random() < mutation_rate:
        return [gene + random.uniform(-mutation_range, mutation_range) for gene in individual]
    else:
        return individual

# 下一代個體生成
def next_generation(population, fitnesses):
    new_population = []
    for i in range(len(population)):
        parent1, parent2 = selection(population, fitnesses)
        child1, child2 = crossover(parent1, parent2)
        mutated_child1 = mutation(child1)
        mutated_child2 = mutation(child2)
        new_population.append(max([parent1, parent2, mutated_child1, mutated_child2], key=fitness))
    return new_population

# 遺傳算法主函數
def genetic_algorithm(chromosome_length, population_size, generations):
    population = generate_population(population_size, chromosome_length)
    for i in range(generations):
        fitnesses = [fitness(individual) for individual in population]
        population = next_generation(population, fitnesses)
    return max(population, key=fitness)

# 調用遺傳算法
chromosome_length = 10
population_size = 100
generations = 50
result = genetic_algorithm(chromosome_length, population_size, generations)
print(result)
           

需要進行選擇、交叉和變異操作，以生成新的一代個體。選擇操作可以使用random.choices()函數來實作，根據适應度大小來确定每個個體被選中的機率

3、投票分類器融合

import random

# 假設有 10 個分類器
classifiers = ["classifier1", "classifier2", "classifier3", "classifier4", "classifier5",
               "classifier6", "classifier7", "classifier8", "classifier9", "classifier10"]

# 定義 vote 函數
def vote(classifiers):
    predictions = random.choices(classifiers, k=5)
    return max(set(predictions), key=predictions.count)

# 調用 vote 函數得到內建預測結果
ensemble_prediction = vote(classifiers)

print("內建預測結果：", ensemble_prediction)