随机 `Generator`#

该 Generator 提供了对各种分布的访问，并取代了 RandomState。两者之间的主要区别在于 Generator 依赖于一个附加的 BitGenerator 来管理状态并生成随机比特，然后这些比特被转换为来自有用分布的随机值。 Generator 使用的默认 BitGenerator 是 PCG64。可以通过将已实例化的 BitGenerator 传递给 Generator 来更改 BitGenerator。

numpy.random.default_rng(seed=None)#

使用默认的 BitGenerator (PCG64) 构建一个新的 Generator。

参数:

seed{None, int, array_like[ints], SeedSequence, BitGenerator, Generator, RandomState}, optional: 用于初始化 BitGenerator 的种子。如果为 None，则将从操作系统获取新的、不可预测的熵。如果传递了 int 或 array_like[ints]，则所有值都必须是非负的，并将传递给 SeedSequence 以派生初始 BitGenerator 状态。也可以传递一个 SeedSequence 实例。此外，当传递 BitGenerator 时，它将被 Generator 包装。如果传递 Generator，它将被照原样返回。当传递旧的 RandomState 实例时，它将被强制转换为 Generator。

返回:

生成器: 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。此函数不管理默认的全局实例。

有关播种的更多信息，请参阅播种和熵。

示例

default_rng 是随机数类 Generator 的推荐构造函数。以下是我们使用 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 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 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，以便我们得到可复现的结果

>>> 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 Python 解释器，我们将再次看到生成相同的随机数

>>> 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)#

BitGenerator 的容器。

Generator 提供了许多方法，用于从各种概率分布中抽取随机数。除了特定于分布的参数外，每个方法都接受一个默认值为 None 的关键字参数 size。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 1D 数组。如果 size 是一个元组，则填充并返回一个具有该形状的数组。

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

无兼容性保证

Generator 不提供版本兼容性保证。特别是，随着更好的算法的演进，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 包含伪随机数生成器，其中许多方法与 Generator 中可用的方法类似。它使用 Mersenne Twister，可以通过 MT19937 访问此比特生成器。 Generator 除了 NumPy 感知之外，其优点是提供了更多可选的概率分布。

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])	返回介于 low（含）和 high（不含）之间的随机整数，或者如果 endpoint=True，则返回介于 low（含）和 high（含）之间的随机整数。
`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是

`shuffle`(x[, axis])	通过随机打乱其内容来修改数组或序列（就地操作）。
`permutation`(x[, axis])	随机排列序列，或返回一个排列后的范围。
`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/就地操作	轴处理
shuffle	就地操作	如同 1D
permutation	copy	如同 1D
permuted	两者皆可（就地操作使用 'out'）	轴独立

以下子章节提供了关于差异的更多详细信息。

就地操作与复制#

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 参数的值传入。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 参数确定输入数组的哪个维度用作序列。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“整体”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 的处理方式。沿给定轴的每个切片都会独立于其他切片进行打乱。将以下 Generator.permuted 用法示例与上面 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）已独立打乱。这不是对列的“整体”打乱。

打乱非 NumPy 序列#

Generator.shuffle 可用于非 NumPy 序列。也就是说，如果它接收到一个非 NumPy 数组的序列，它将就地打乱该序列。

>>> 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

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])	从具有指定位置（或均值）和尺度（衰减）的 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 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)	从多元超几何分布生成变异数。
`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）分布绘制随机样本。
`pareto`(a[, size])	从具有指定形状的 Pareto 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 a - 1 的幂分布中抽取 [0, 1] 区间的样本。
`rayleigh`([scale, size])	从瑞利分布中抽取样本。
`standard_cauchy`([size])	从中心点为 0 的标准 Cauchy 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 Student's 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。

随机 Generator#