ee.FeatureCollection.randomColumn

ستونی از اعداد شبه تصادفی قطعی را به مجموعه اضافه می کند. خروجی ها اعداد ممیز شناور با دقت دوگانه هستند. هنگام استفاده از توزیع "یکنواخت" (پیش فرض)، خروجی ها در محدوده [0، 1) قرار دارند. با استفاده از توزیع «نرمال»، خروجی ها μ=0، σ=1 هستند، اما هیچ محدودیت صریحی ندارند.

استفاده	برمی گرداند
FeatureCollection. randomColumn ( columnName , seed , distribution , rowKeys )	مجموعه ویژگی

استدلال	تایپ کنید	جزئیات
این: collection	مجموعه ویژگی	مجموعه ورودی که یک ستون تصادفی به آن اضافه شود.
columnName	رشته، پیش فرض: "تصادفی"	نام ستونی که باید اضافه شود.
seed	طولانی، پیش فرض: 0	دانه ای که هنگام تولید اعداد تصادفی استفاده می شود.
distribution	رشته، پیش فرض: "یکنواخت"	نوع توزیع اعداد تصادفی برای تولید؛ یکی از "یکنواخت" یا "عادی".
rowKeys	فهرست، اختیاری	فهرستی از ویژگی هایی که باید به طور منحصربفرد و تکرار شونده یک عنصر از مجموعه را شناسایی کند که برای تولید عدد تصادفی استفاده می شود. پیش‌فرض [system:index] است.

نمونه ها

ویرایشگر کد (جاوا اسکریپت)

// FeatureCollection of power plants in Belgium.
var fc = ee.FeatureCollection('WRI/GPPD/power_plants')
            .filter('country_lg == "Belgium"');
print('N features in collection', fc.size());

// Add a uniform distribution random value column to the FeatureCollection.
fc = fc.randomColumn();

// Randomly split the collection into two sets, 30% and 70% of the total.
var randomSample30 = fc.filter('random < 0.3');
print('N features in 30% sample', randomSample30.size());

var randomSample70 = fc.filter('random >= 0.3');
print('N features in 70% sample', randomSample70.size());

راه اندازی پایتون

برای اطلاعات در مورد API پایتون و استفاده از geemap برای توسعه تعاملی به صفحه محیط پایتون مراجعه کنید.

import ee
import geemap.core as geemap

کولب (پایتون)

# FeatureCollection of power plants in Belgium.
fc = ee.FeatureCollection('WRI/GPPD/power_plants').filter(
    'country_lg == "Belgium"')
print('N features in collection:', fc.size().getInfo())

# Add a uniform distribution random value column to the FeatureCollection.
fc = fc.randomColumn()

# Randomly split the collection into two sets, 30% and 70% of the total.
random_sample_30 = fc.filter('random < 0.3')
print('N features in 30% sample:', random_sample_30.size().getInfo())

random_sample_70 = fc.filter('random >= 0.3')
print('N features in 70% sample:', random_sample_70.size().getInfo())