Algorithms For Dummies

  Performing Essential Data Manipulations Using Python 

     101

You can view permutations in a number of ways. One method of viewing a permu-

tation is as a random presentation of the sequence order. In this case, you can use 

the 

numpy

 

random.permutation

 function, as shown here:

a = np.array([1,2,3])

np.random.permutation(a)

array([2, 3, 1])

The output on your system will likely vary from the output shown. Each time you 

run this code, you receive a different random ordering of the data sequence, which 

comes  in  handy  with  algorithms  that  require  you  to  randomize  the  dataset  to 

obtain the desired results. For example, sampling is an essential part of data ana-

lytics, and the technique shown is an efficient way to perform this task.

Another  way  to  view  the  issue  is  the  need  to  obtain  all  the  permutations  for  a 

dataset so that you can try each one in turn. To perform this task, you need to 

import the 

itertools

 package. The following code shows a technique you can use 

to obtain a list of all the permutations of a particular vector:

from itertools import permutations

  

a = np.array([1,2,3])

  

for p in permutations(a):

    print(p)

  

(1, 2, 3)

(1, 3, 2)

(2, 1, 3)

(2, 3, 1)

(3, 1, 2)

(3, 2, 1)

To save the list of sets, you could always create a blank list and rely on the 

append

 

function to add each set to the list instead of printing the items one at a time, as 

shown in the code. The resulting list could serve as input to an algorithm designed 

to work with multiple sets. You can read more about 

itertools

 at 

https://docs.

python.org/3/library/itertools.html

.