随机 `生成器`#

Generator 提供了对多种分布的访问,并作为 RandomState 的替代品.两者之间的主要区别在于 Generator 依赖于一个额外的 BitGenerator 来管理状态并生成随机位,这些随机位随后被转换为来自有用分布的随机值.`Generator` 使用的默认 BitGenerator 是 PCG64.可以通过传递一个实例化的 BitGenerator 来更改 Generator 使用的 BitGenerator.

numpy.random.default_rng(seed=None)#

使用默认的 BitGenerator (PCG64) 构造一个新的生成器.

参数:

seed{None, int, array_like[ints], SeedSequence, BitGenerator, Generator}, 可选: 用于初始化 BitGenerator 的种子.如果为 None,则将从操作系统中提取新的、不可预测的熵.如果传递的是 int 或 array_like[ints],则所有值必须为非负数,并将传递给 SeedSequence 以派生初始 BitGenerator 状态.还可以传递一个 SeedSequence 实例.此外,当传递一个 BitGenerator 时,它将被 Generator 包装.如果传递的是 Generator,则将原样返回.

返回:

Generator: 初始化的生成器对象.

备注

如果 seed 不是一个 BitGenerator 或 Generator,则会实例化一个新的 BitGenerator.此函数不管理默认的全局实例.

有关种子的更多信息,请参见种子和熵.

示例

default_rng 是随机数类 Generator 推荐的构造函数.以下是使用 default_rng 和 Generator 类构造随机数生成器的几种方法.

这里我们使用 default_rng 来生成一个随机浮点数:

>>> import numpy as np
>>> rng = np.random.default_rng(12345)
>>> print(rng)
Generator(PCG64)
>>> rfloat = rng.random()
>>> rfloat
0.22733602246716966
>>> type(rfloat)
<class 'float'>

在这里,我们使用 default_rng 生成 3 个介于 0（包含）和 10（不包含）之间的随机整数:

>>> import numpy as np
>>> rng = np.random.default_rng(12345)
>>> rints = rng.integers(low=0, high=10, size=3)
>>> rints
array([6, 2, 7])
>>> type(rints[0])
<class 'numpy.int64'>

这里我们指定一个种子,以便我们有可重复的结果:

>>> import numpy as np
>>> rng = np.random.default_rng(seed=42)
>>> print(rng)
Generator(PCG64)
>>> arr1 = rng.random((3, 3))
>>> arr1
array([[0.77395605, 0.43887844, 0.85859792],
       [0.69736803, 0.09417735, 0.97562235],
       [0.7611397 , 0.78606431, 0.12811363]])

如果我们退出并重新启动我们的 Python 解释器,我们会看到我们再次生成了相同的随机数:

>>> import numpy as np
>>> rng = np.random.default_rng(seed=42)
>>> arr2 = rng.random((3, 3))
>>> arr2
array([[0.77395605, 0.43887844, 0.85859792],
       [0.69736803, 0.09417735, 0.97562235],
       [0.7611397 , 0.78606431, 0.12811363]])

class numpy.random.Generator(bit_generator)#

BitGenerators 的容器.

Generator 提供了许多方法来生成从各种概率分布中抽取的随机数.除了分布特定的参数外,每个方法还接受一个关键字参数 size,默认为 None.如果 size 是 None,则生成并返回一个单一值.如果 size 是整数,则返回一个填充了生成值的 1-D 数组.如果 size 是元组,则返回一个填充了该形状的数组.

函数 numpy.random.default_rng 将实例化一个带有 numpy 默认 BitGenerator 的 Generator.

No Compatibility Guarantee

Generator 不提供版本兼容性保证.特别是,随着更好的算法的发展,比特流可能会改变.

参数:

bit_generatorBitGenerator: 用作核心生成器的 BitGenerator.

参见

default_rng: 推荐的 Generator 构造函数.

备注

Python 标准库模块 random 包含一个伪随机数生成器,具有许多与 Generator 中可用的方法相似的方法.它使用梅森旋转算法,这个比特生成器可以使用 MT19937 访问.`Generator` 除了具有 NumPy 意识外,还有一个优势,即它提供了更多种类的概率分布可供选择.

示例

>>> from numpy.random import Generator, PCG64
>>> rng = Generator(PCG64())
>>> rng.standard_normal()
-0.203  # random

访问 BitGenerator 和生成#

`bit_generator`	获取生成器使用的位生成器实例
`spawn`(n_children)	创建新的独立子生成器.

简单随机数据#

`integers`(low[, high, size, dtype, endpoint])	返回从 `low`（包含）到 `high`（不包含）的随机整数,或者如果 endpoint=True,则从 `low`（包含）到 `high`（包含）.
`random`([size, dtype, out])	返回半开区间 [0.0, 1.0) 内的随机浮点数.
`choice`(a[, size, replace, p, axis, shuffle])	从一个给定的数组生成一个随机样本
`bytes`(length)	返回随机字节.

排列#

随机排列序列的方法有

`shuffle`(x[, axis])	通过打乱其内容来就地修改数组或序列.
`permutation`(x[, axis])	随机排列一个序列,或返回一个排列的范围.
`permuted`(x[, axis, out])	沿着轴 axis 随机排列 x.

下表总结了这些方法的行为.

方法	copy/in-place	轴处理
shuffle	就地	仿佛 1D
排列	copy	仿佛 1D
permuted	要么（使用 ‘out’ 进行就地操作）	轴独立

以下小节提供了关于差异的更多详细信息.

就地 vs. 复制#

Generator.shuffle 和 Generator.permutation 之间的主要区别在于 Generator.shuffle 是就地操作,而 Generator.permutation 返回一个副本.

默认情况下,`Generator.permuted` 返回一个副本.要在原地操作 Generator.permuted,将同一个数组作为第一个参数并且作为 out 参数的值传递.例如,

>>> import numpy as np
>>> rng = np.random.default_rng()
>>> x = np.arange(0, 15).reshape(3, 5)
>>> x 
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
>>> y = rng.permuted(x, axis=1, out=x)
>>> x 
array([[ 1,  0,  2,  4,  3],  # random
       [ 6,  7,  8,  9,  5],
       [10, 14, 11, 13, 12]])

注意,当 out 被给出时,返回值是 out:

>>> y is x
True

处理 `axis` 参数#

这些方法的一个重要区别在于它们如何处理 axis 参数.`Generator.shuffle` 和 Generator.permutation 都将输入视为一维序列,而 axis 参数决定了使用输入数组的哪个维度作为序列.对于二维数组,``axis=0`` 实际上会重新排列数组的行,而 axis=1 会重新排列列.例如

>>> import numpy as np
>>> rng = np.random.default_rng()
>>> x = np.arange(0, 15).reshape(3, 5)
>>> x
array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14]])
>>> rng.permutation(x, axis=1) 
array([[ 1,  3,  2,  0,  4],  # random
       [ 6,  8,  7,  5,  9],
       [11, 13, 12, 10, 14]])

请注意,列已经”批量”重新排列:每列中的值没有改变.

方法 Generator.permuted 处理 axis 参数的方式类似于 numpy.sort 处理它的方式.沿给定轴的每个切片独立于其他切片进行打乱.比较以下 Generator.permuted 的使用示例与上述 Generator.permutation 的示例:

>>> import numpy as np
>>> rng = np.random.default_rng()
>>> rng.permuted(x, axis=1) 
array([[ 1,  0,  2,  4,  3],  # random
       [ 5,  7,  6,  9,  8],
       [10, 14, 12, 13, 11]])

在这个例子中,每一行的值（即沿着 axis=1 的值）已经被独立地打乱.这不是列的”整体”打乱.

打乱非NumPy序列#

Generator.shuffle 适用于非 NumPy 序列.也就是说,如果给定一个不是 NumPy 数组的序列,它会在原地打乱该序列.

>>> import numpy as np
>>> rng = np.random.default_rng()
>>> a = ['A', 'B', 'C', 'D', 'E']
>>> rng.shuffle(a)  # shuffle the list in-place
>>> a 
['B', 'D', 'A', 'E', 'C']  # random

发行版#

`beta`(a, b[, size])	从 Beta 分布中抽取样本.
`binomial`(n, p[, size])	从二项分布中抽取样本.
`chisquare`(df[, size])	从卡方分布中抽取样本.
`dirichlet`(alpha[, size])	从Dirichlet分布中抽取样本.
`exponential`([scale, size])	从指数分布中抽取样本.
`f`(dfnum, dfden[, size])	从 F 分布中抽取样本.
`gamma`(shape[, scale, size])	从Gamma分布中抽取样本.
`geometric`(p[, size])	从几何分布中抽取样本.
`gumbel`([loc, scale, size])	从Gumbel分布中抽取样本.
`hypergeometric`(ngood, nbad, nsample[, size])	从超几何分布中抽取样本.
`laplace`([loc, scale, size])	从具有指定位置（或均值）和尺度（衰减）的拉普拉斯或双指数分布中抽取样本.
`logistic`([loc, scale, size])	从逻辑分布中抽取样本.
`lognormal`([mean, sigma, size])	从对数正态分布中抽取样本.
`logseries`(p[, size])	从对数级数分布中抽取样本.
`multinomial`(n, pvals[, size])	从多项分布中抽取样本.
`multivariate_hypergeometric`(colors, nsample)	从多元超几何分布生成变量.
`multivariate_normal`(mean, cov[, size, ...])	从多元正态分布中抽取随机样本.
`negative_binomial`(n, p[, size])	从负二项分布中抽取样本.
`noncentral_chisquare`(df, nonc[, size])	从非中心卡方分布中抽取样本.
`noncentral_f`(dfnum, dfden, nonc[, size])	从非中心 F 分布中抽取样本.
`normal`([loc, scale, size])	从正态（高斯）分布中随机抽取样本.
`pareto`(a[, size])	从具有指定形状的帕累托 II（又名 Lomax）分布中抽取样本.
`poisson`([lam, size])	从泊松分布中抽取样本.
`power`(a[, size])	从指数为正的幂分布中在 [0, 1] 范围内抽取样本,指数为 a - 1.
`rayleigh`([scale, size])	从瑞利分布中抽取样本.
`standard_cauchy`([size])	从模式为0的标准柯西分布中抽取样本.
`standard_exponential`([size, dtype, method, out])	从标准指数分布中抽取样本.
`standard_gamma`(shape[, size, dtype, out])	从标准Gamma分布中抽取样本.
`standard_normal`([size, dtype, out])	从标准正态分布（均值=0,标准差=1）中抽取样本.
`standard_t`(df[, size])	从具有 df 自由度的标准学生 t 分布中抽取样本.
`triangular`(left, mode, right[, size])	从区间 `[left, right]` 上的三角分布中抽取样本.
`uniform`([low, high, size])	从均匀分布中抽取样本.
`vonmises`(mu, kappa[, size])	从 von Mises 分布中抽取样本.
`wald`(mean, scale[, size])	从Wald或逆高斯分布中抽取样本.
`weibull`(a[, size])	从 Weibull 分布中抽取样本.
`zipf`(a[, size])	从Zipf分布中抽取样本.

随机 生成器#