新功能与变更

NumPy 1.17.0 引入了 Generator 作为 传统 RandomState 的改进替代品。以下是这两种实现的快速比较。

特性	旧版等效	备注
Generator	RandomState	Generator 需要一个流源，称为 BitGenerator。提供了多种此类生成器。RandomState 默认使用 Mersenne Twister MT19937，但也可以通过任何 BitGenerator 实例化。
随机	random_sample, rand	访问 `BitGenerator` 中的值，并将其转换为 `[0.0., 1.0)` 区间内的 `float64`。除了 `size` 关键字参数外，现在还支持 `dtype='d'` 或 `dtype='f'`，以及用于填充用户提供的数组的 `out` 关键字参数。 还支持许多其他分布。
整数	randint, random_integers	使用 `endpoint` 关键字参数调整 `high` 区间端点的包含或排除。

• 正态分布、指数分布和伽马分布生成器使用 256 步 Ziggurat 方法，比 NumPy 在 standard_normal、standard_exponential 或 standard_gamma 中的默认实现快 2-10 倍。由于算法的改变，无法使用 Generator 为这些分布或任何依赖它们的分布方法重现确切的随机值。

In [1]: import numpy.random

In [2]: rng = np.random.default_rng()

In [3]: %timeit -n 1 rng.standard_normal(100000)
   ...: %timeit -n 1 numpy.random.standard_normal(100000)
   ...: 
1.88 ms +- 13.3 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
3.46 ms +- 20.2 us per loop (mean +- std. dev. of 7 runs, 1 loop each)

In [4]: %timeit -n 1 rng.standard_exponential(100000)
   ...: %timeit -n 1 numpy.random.standard_exponential(100000)
   ...: 
919 us +- 12.4 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
2.47 ms +- 23.4 us per loop (mean +- std. dev. of 7 runs, 1 loop each)

In [5]: %timeit -n 1 rng.standard_gamma(3.0, 100000)
   ...: %timeit -n 1 numpy.random.standard_gamma(3.0, 100000)
   ...: 
3.53 ms +- 39.5 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
6.96 ms +- 25.1 us per loop (mean +- std. dev. of 7 runs, 1 loop each)

• integers 现在是从离散均匀分布生成整数随机数的规范方法。它取代了 randint 和已弃用的 random_integers。

• rand 和 randn 方法仅通过传统 RandomState 可用。

• Generator.random 现在是生成浮点随机数的规范方法，它取代了 RandomState.random_sample、sample 和 ranf（所有这些都是别名）。这与 Python 的 random.random 一致。

• 所有位生成器都可以通过 CTypes (ctypes) 和 CFFI (cffi) 生成双精度浮点数、无符号 64 位整数和无符号 32 位整数。这使得这些位生成器可以在 numba 中使用。

• 位生成器可以通过 Cython 在下游项目中使用。

• 所有位生成器都使用 SeedSequence 来将种子整数转换为初始化状态。

• 可选的 dtype 参数接受 np.float32 或 np.float64，用于为选定分布生成单精度或双精度均匀随机变量。integers 接受一个 dtype 参数，可为任何有符号或无符号整数数据类型。

  • 均匀分布 (random 和 integers)

  • 正态分布 (standard_normal)

  • 标准伽马分布 (standard_gamma)

  • 标准指数分布 (standard_exponential)

In [6]: rng = np.random.default_rng()

In [7]: rng.random(3, dtype=np.float64)
Out[7]: array([0.00512656, 0.76054751, 0.5135002 ])

In [8]: rng.random(3, dtype=np.float32)
Out[8]: array([0.13016486, 0.67658764, 0.94141597], dtype=float32)

In [9]: rng.integers(0, 256, size=3, dtype=np.uint8)
Out[9]: array([100, 186,  43], dtype=uint8)

• 可选的 out 参数允许为选定分布填充现有数组

  • 均匀分布 (random)

  • 正态分布 (standard_normal)

  • 标准伽马分布 (standard_gamma)

  • 标准指数分布 (standard_exponential)

  这使得多线程能够并行使用合适的 BitGenerator 分块填充大型数组。

In [10]: rng = np.random.default_rng()

In [11]: existing = np.zeros(4)

In [12]: rng.random(out=existing[:2])
Out[12]: array([0.7695275 , 0.73739323])

In [13]: print(existing)
[0.7695275  0.73739323 0.         0.        ]

• 可选的 axis 参数，用于 choice、permutation 和 shuffle 等方法，控制多维数组的操作轴。

In [14]: rng = np.random.default_rng()

In [15]: a = np.arange(12).reshape((3, 4))

In [16]: a
Out[16]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

In [17]: rng.choice(a, axis=1, size=5)
Out[17]: 
array([[ 0,  1,  2,  0,  0],
       [ 4,  5,  6,  4,  4],
       [ 8,  9, 10,  8,  8]])

In [18]: rng.shuffle(a, axis=1)        # Shuffle in-place

In [19]: a
Out[19]: 
array([[ 2,  1,  0,  3],
       [ 6,  5,  4,  7],
       [10,  9,  8, 11]])

• 添加了一个从复正态分布 (complex_normal) 采样的函数