ee.FeatureCollection.randomColumn

Dodaje do kolekcji kolumnę z deterministycznymi liczbami pseudolosowymi. Wyjścia to liczby zmiennoprzecinkowe podwójnej precyzji. W przypadku użycia rozkładu „jednolitego” (domyślnego) wyniki mieszczą się w zakresie [0, 1]. W przypadku rozkładu „normalnego” wyjścia mają μ=0, σ=1, ale nie mają wyraźnych limitów.

Wykorzystanie	Zwroty
FeatureCollection.randomColumn(columnName, seed, distribution, rowKeys)	FeatureCollection

Argument	Typ	Szczegóły
to: collection	FeatureCollection	Kolekcja danych wejściowych, do której chcesz dodać losową kolumnę.
columnName	Ciąg znaków. Wartość domyślna: „random”.	Nazwa kolumny do dodania.
seed	Długa, domyślnie 0	ziarno używane podczas generowania liczb losowych.
distribution	Ciąg znaków. Wartość domyślna: „uniform”.	Typ rozkładu liczb losowych do wygenerowania: „jednostajny” lub „normalny”.
rowKeys	Lista, opcjonalnie	Lista właściwości, które powinny jednoznacznie i powtarzalnie identyfikować element kolekcji, służąca do generowania liczby losowej. Domyślna wartość to [system:index].

Przykłady

Edytor kodu (JavaScript)

// 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());

Konfiguracja Pythona

Informacje o interfejsie Python API i o używaniu pakietu geemap do programowania interaktywnego znajdziesz na stronie Python Environment.

import ee
import geemap.core as geemap

Colab (Python)

# 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())