新增或更改

NumPy 1.17.0 引入了 Generator 作为 旧版 RandomState 的改进替代品。以下是两种实现的快速比较。

功能	旧版等效功能	备注
生成器	RandomState	Generator 需要一个流源，称为 BitGenerator。提供了许多此类 BitGenerator。 RandomState 默认使用 Mersenne Twister MT19937，但也可以使用任何 BitGenerator 进行实例化。
random	random_sample, rand	访问 BitGenerator 中的值，将其转换为区间 [0.0., 1.0) 中的 float64。除了 size 关键字参数外，现在还支持 dtype='d' 或 dtype='f'，以及一个 out 关键字参数，用于填充用户提供的数组。 还支持许多其他分布。
integers	randint, random_integers	使用 endpoint 关键字参数来调整 high 区间端点的包含或排除。

• 正态、指数和伽马生成器使用 256 步 Ziggurat 方法，这些方法在 standard_normal, standard_exponential 或 standard_gamma 中比 NumPy 的默认实现快 2-10 倍。由于算法的改变，使用 Generator 无法精确复现这些分布或依赖于它们的任何分布方法的随机值。

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)
   ...: 
1.02 ms +- 9.03 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
1.75 ms +- 15.3 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)
   ...: 
487 us +- 6.98 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
1.25 ms +- 6.35 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)
   ...: 
1.85 ms +- 24.4 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
3.42 ms +- 27.1 us per loop (mean +- std. dev. of 7 runs, 1 loop each)

• integers 现在是生成离散均匀分布的整数随机数的标准方法。这取代了 randint 和已弃用的 random_integers。

• rand 和 randn 方法仅通过旧版 RandomState 可用。

• Generator.random 现在是生成浮点随机数的标准方法，它取代了 RandomState.random_sample, sample, and ranf，所有这些都是别名。这与 Python 的 random.random 一致。

• 所有 BitGenerator 都可以通过 CTypes (ctypes) 和 CFFI (cffi) 生成 double、uint64 和 uint32。这使得这些 BitGenerator 可以在 numba 中使用。

• 可以通过 Cython 在下游项目中使用 BitGenerator。

• 所有 BitGenerator 都使用 SeedSequence 将种子整数转换为初始状态。

• 可选的 dtype 参数，它接受 np.float32 或 np.float64，以便为选定的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，它可以接受任何有符号或无符号整数 dtype。

  • 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([0.15428534, 0.69863672, 0.45724786])

In [8]: rng.random(3, dtype=np.float32)
Out[8]: array([0.1729908 , 0.0745824 , 0.42687505], dtype=float32)

In [9]: rng.integers(0, 256, size=3, dtype=np.uint8)
Out[9]: array([183, 218, 161], dtype=uint8)

• 可选的 out 参数，允许为选定的分布填充现有数组

  • 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）

  这允许多线程使用合适的 BitGenerator 并行地分块填充大型数组。

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

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

In [12]: rng.random(out=existing[:2])
Out[12]: array([0.99546415, 0.1408341 ])

In [13]: print(existing)
[0.99546415 0.1408341  0.         0.        ]

• 可选的 axis 参数，用于 choice, permutation 和 shuffle 等方法，它控制对多维数组执行操作的轴。

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([[ 2,  2,  3,  2,  1],
       [ 6,  6,  7,  6,  5],
       [10, 10, 11, 10,  9]])

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

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

• 添加了从复数正态分布 (complex_normal) 采样的功能