随机数 `Generator`#

Generator 提供了对各种分布的访问,并且可以替代 RandomState . 两者之间的主要区别在于 Generator 依赖于额外的 BitGenerator 来管理状态和生成随机位,然后将这些位转换为来自有用分布的随机值. Generator 使用的默认 BitGenerator 是 PCG64 . 可以通过将实例化的 BitGenerator 传递给 Generator 来更改 BitGenerator.

numpy.random.default_rng(seed=None)#

使用默认 BitGenerator (PCG64) 构造一个新的 Generator.

参数:

seed{None, int, array_like[ints], SeedSequence, BitGenerator, Generator, RandomState}, 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.如果传递一个 int 或 array_like[ints] ,则所有值必须为非负数,并将传递给 SeedSequence 以导出初始 BitGenerator 状态.也可以传入一个 SeedSequence 实例.此外,当传递一个 BitGenerator 时,它将被 Generator 包裹.如果传递一个 Generator ,它将被原封不动地返回.当传递一个旧的 RandomState 实例时,它将被强制转换为 Generator .

返回:

Generator: 初始化的生成器对象.

注释

如果 seed 不是 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.

有关播种的更多信息,请参见设定种子和熵 .

示例

default_rng 是随机数类 Generator 的推荐构造函数.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'>

这里我们使用 default_rng 来生成 3 个介于 0(含)和 10(不含)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,以便我们获得可重现的结果:

>>> 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,我们将看到我们再次生成相同的随机数:

>>> 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 公开了一些方法,用于生成从各种概率分布中抽取的随机数.除了特定于分布的参数外,每个方法还接受一个关键字参数 size ,默认为 None .如果 size 为 None ,则生成并返回单个值.如果 size 是一个整数,则返回一个填充了生成值的 1-D 数组.如果 size 是一个元组,则填充并返回具有该形状的数组.

函数 numpy.random.default_rng 将实例化一个 Generator ,使用 numpy 的默认 BitGenerator .

没有兼容性保证

Generator 不提供版本兼容性保证. 特别是,随着更好的算法的出现,比特流可能会发生变化.

参数:

bit_generatorBitGenerator: 用作核心生成器的 BitGenerator.

参见

default_rng: Generator 的推荐构造函数.

注释

Python stdlib 模块 :external+python random 包含伪随机数生成器,它具有许多与 Generator 中可用的方法类似的方法.它使用 Mersenne Twister,并且可以使用 MT19937 访问此比特生成器.除了能够识别 NumPy 之外, Generator 还具有提供更多概率分布可供选择的优势.

示例

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

访问 BitGenerator 和衍生#

`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 (含)到 high (不含)的随机整数,或者如果 endpoint=True,则返回 low (含)到 high (含)的随机整数.
`random` ([size, dtype, out])	返回半开区间 [0.0, 1.0) 中的随机浮点数.
`choice` (a[, size, replace, p, axis, shuffle])	从给定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])	通过混排数组的内容来就地修改数组或序列.
`permutation` (x[, axis])	随机置换一个序列,或者返回一个置换后的范围.
`permuted` (x[, axis, out])	沿轴 axis 随机置换 x .

下表总结了这些方法的行为.

method	复制/原地操作	轴处理
shuffle	原地操作	如同 1d 数组
permutation	复制	如同 1d 数组
permuted	两者皆可(使用 ‘out’ 实现原地操作)	轴独立

以下小节提供了关于差异的更多细节.

原地操作 vs. 复制#

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

默认情况下, Generator.permuted 返回一个副本.要使用 Generator.permuted 进行原地操作,请将相同的数组作为第一个参数和 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]])

请注意,当给出 out 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是它们如何处理 axis 参数. Generator.shuffle 和 Generator.permutation 都将输入视为一维序列,并且 axis 参数确定使用输入的哪个维度作为序列.在二维数组的情况下, 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“批量”重新排列:每列中的值未更改.

方法 Generator.permuted 处理 axis 参数的方式类似于 numpy.sort 处理它的方式.沿着给定轴的每个切片都与其他切片独立地进行混洗.将以下使用 Generator.permuted 的示例与上述 Generator.permutation 的示例进行比较:

>>> 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]])

在此示例中,每行中的值(即沿 axis=1 的值)已独立混洗.这不是对列的“批量”混洗.

混洗非 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,它会原地混洗该序列.

>>> 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

分布#

`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)和比例(衰减)的 Laplace 或双指数分布中抽取样本.
`logistic` ([loc, scale, size])	从 logistic 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)	从多元超几何分布中生成变量.
`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 samples.
`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)分布中抽取随机样本.
`pareto` (a[, size])	从具有指定形状的 Pareto II (AKA Lomax) 分布中抽取样本.
`poisson` ([lam, size])	从泊松分布中抽取样本.
`power` (a[, size])	从具有正指数 a - 1 的幂分布中抽取 [0, 1] 中的样本.
`rayleigh` ([scale, size])	从瑞利分布中抽取样本.
`standard_cauchy` ([size])	从 mode = 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(平均值=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]` 上的三角形分布中抽取样本.
`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.

如何运行和测试 NumPy 的代码？

在探索 NumPy 库的核心概念、常见问题和实用代码示例时，所有代码都可在 PythonRun 上直接运行测试。

请给出一个简单的 NumPy 代码示例

下面是一个简单的 NumPy 用法示例：

import numpy as np
a = np.array([1, 2, 3])
a = a * 2
print(a)

你可以在 PythonRun 上执行它，看看结果。

随机数 Generator#