随机 `Generator`#

Generator 提供对各种分布的访问，并作为 RandomState 的替代品。两者之间的主要区别在于 Generator 依赖于额外的 BitGenerator 来管理状态并生成随机位，然后将其转换为来自有用分布的随机值。Generator 使用的默认 BitGenerator 是 PCG64。可以通过向 Generator 传递已实例化的 BitGenerator 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，则将从操作系统提取新的、不可预测的熵。如果传递 int 或 array_like[ints]，则所有值必须是非负的，并将传递给 SeedSequence 以派生初始 BitGenerator 状态。也可以传入 SeedSequence 实例。此外，当传入 BitGenerator 时，它将被 Generator 包装。如果传入 Generator，则将原样返回。当传入旧版 RandomState 实例时，它将强制转换为 Generator。

返回：

Generator: 已初始化的生成器对象。

备注

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 的推荐构造函数。以下是一些使用 default_rng 和 Generator 类构造随机数生成器的几种方法。

在这里，我们使用 default_rng 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'>

在这里，我们指定一个种子，以便我们获得可重复的结果

>>> 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 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 提供多种方法来生成符合各种概率分布的随机数。除了特定于分布的参数外，每种方法都带有一个关键字参数 size，其默认值为 None。如果 size 为 None，则生成并返回单个值。如果 size 为整数，则返回一个填充了生成值的 1 维数组。如果 size 为元组，则填充并返回具有该形状的数组。

函数 numpy.random.default_rng 将使用 NumPy 的默认 BitGenerator 实例化一个 Generator。

无兼容性保证

Generator 不提供版本兼容性保证。特别是，随着更好算法的演进，比特流可能会发生变化。

参数：

bit_generatorBitGenerator: 用作核心生成器的 BitGenerator。

另请参阅

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，它具有许多与 Generator 中可用的方法类似的方法。它使用梅森旋转算法，可以使用 MT19937 访问此位生成器。Generator 除了具有 NumPy 意识外，还具有提供更多概率分布选择的优势。

示例

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

访问 BitGenerator 和生成子生成器#

`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，如果 endpoint=True，则为从 low（包含）到 high（包含）的随机整数。
`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])	从给定数组中生成随机样本。
`bytes`(length)	返回随机字节。

排列#

随机排列序列的方法：

`shuffle`(x[, axis])	通过对其内容进行混洗来就地修改数组或序列。
`permutation`(x[, axis])	随机排列序列，或返回排列的范围。
`permuted`(x[, axis, out])	沿 axis 轴随机排列 x。

下表总结了这些方法的行为。

方法	复制/就地	轴处理
shuffle	就地	如同 1 维
permutation	复制	如同 1 维
permuted	任一（使用“out”进行就地操作）	轴独立

以下小节将更详细地介绍这些差异。

就地操作与复制#

Generator.shuffle 和 Generator.permutation 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。要使用 Generator.permuted 进行就地操作，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，返回值为 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，而 axis 参数决定使用输入数组的哪个维度作为序列。对于二维数组，axis=0 将有效地重新排列数组的行，而 axis=1 将重新排列列。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，列已被“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 的处理方式。沿给定轴的每个切片都独立于其他切片进行混洗。将以下 Generator.permuted 使用示例与上述 Generator.permutation 使用示例进行比较：

>>> 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）已独立地进行混洗。这不是列的“批量”混洗。

混洗非 NumPy 序列#

Generator.shuffle 可用于非 NumPy 序列。也就是说，如果给定一个不是 NumPy 数组的序列，它将就地混洗该序列。

>>> 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])	从狄利克雷分布中抽取样本。
`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）的拉普拉斯分布或双指数分布中抽取样本。
`logistic`([loc, scale, size])	从逻辑斯谛分布中抽取样本。
`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）分布中抽取随机样本。
`pareto`(a[, size])	从具有指定形状的帕累托II型（又称洛马克斯）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 a - 1 的幂次分布中抽取 [0, 1] 区间的样本。
`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])	从标准伽马分布中抽取样本。
`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])	从冯米塞斯分布中抽取样本。
`wald`(mean, scale[, size])	从Wald分布（或逆高斯分布）中抽取样本。
`weibull`(a[, size])	从威布尔分布中抽取样本。
`zipf`(a[, size])	从齐普夫分布中抽取样本。

随机 Generator#