旧版随机数生成

RandomState 提供对旧版生成器的访问。此生成器被认为是冻结的，不会再进行改进。它保证生成与 NumPy v1.16 的最终点版本产生的值相同。这些都依赖于 Box-Muller 正态分布或逆 CDF 指数分布或伽马分布。只有在必须使用与 NumPy 的先前版本生成的随机数相同的随机数时，才应使用此类。

RandomState 向状态添加了额外信息，这在使用 Box-Muller 正态分布时是必需的，因为这些分布成对产生。重要的是使用 RandomState.get_state，而不是底层位生成器的state，来访问状态，以便保存这些额外值。

虽然我们提供 MT19937 位生成器以便独立于 RandomState 使用，但请注意，它的默认播种使用 SeedSequence 而不是旧版播种算法。RandomState 将使用旧版播种算法。使用旧版播种算法的方法目前是私有的，因为使用它们的主要原因只是为了实现 RandomState。但是，可以使用 RandomState 的状态重置 MT19937 的状态。

from numpy.random import MT19937
from numpy.random import RandomState

rs = RandomState(12345)
mt19937 = MT19937()
mt19937.state = rs.get_state()
rs2 = RandomState(mt19937)

# Same output
rs.standard_normal()
rs2.standard_normal()

rs.random()
rs2.random()

rs.standard_exponential()
rs2.standard_exponential()

class numpy.random.RandomState(seed=None)

慢速梅森旋转算法伪随机数生成器的容器。建议改为使用不同的 BitGenerator 和 Generator 容器。

RandomState 和 Generator 提供了许多方法，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，每种方法都带有一个关键字参数size，默认为None。如果size为None，则生成并返回单个值。如果size是整数，则返回填充了生成值的 1-D 数组。如果size是元组，则填充并返回具有该形状的数组。

兼容性保证

使用固定种子和一系列对使用相同参数的“RandomState”方法的固定调用的固定位生成器将始终产生相同的结果，直至舍入误差，除非值不正确。RandomState实际上是冻结的，只会接收NumPy内部更改所需更新。更重大的更改（包括算法改进）保留给Generator。

参数：

seed{None, int, array_like, BitGenerator}, 可选

用于初始化伪随机数生成器或已实例化的 BitGenerator 的随机种子。如果为整数或数组，则用作 MT19937 BitGenerator 的种子。值可以是 0 到 2**32 - 1（包含）之间的任何整数、此类整数的数组（或其他序列），或者 None（默认值）。如果 seed 为 None，则 MT19937 BitGenerator 将通过读取 /dev/urandom（如果可用）中的数据或从时钟获取种子来进行初始化。

另请参阅

生成器

MT19937

numpy.random.BitGenerator

备注

Python 标准库模块“random”也包含一个梅森旋转伪随机数生成器，它具有许多与 RandomState 中提供的类似的方法。RandomState 除了支持 NumPy 外，还具有提供更多概率分布选择的优势。

种子和状态

get_state([legacy])	返回一个元组，表示生成器的内部状态。
set_state(state)	从元组设置生成器的内部状态。
seed([seed])	重新播种旧版 MT19937 BitGenerator

简单随机数据

rand(d0, d1, ..., dn)	给定形状的随机值。
randn(d0, d1, ..., dn)	从“标准正态”分布返回样本（或样本）。
randint(low[, high, size, dtype])	返回从 low（包含）到 high（不包含）的随机整数。
random_integers(low[, high, size])	类型为 numpy.int_、介于 low 和 high（包含）之间的随机整数。
random_sample([size])	返回半开区间 [0.0, 1.0) 中的随机浮点数。
choice(a[, size, replace, p])	从给定的 1-D 数组生成随机样本。
bytes(length)	返回随机字节。

排列

shuffle(x)	通过随机排列其内容来修改序列。
permutation(x)	随机排列序列，或返回一个排列的范围。

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）的拉普拉斯或双指数分布中抽取样本。
logistic([loc, scale, size])	从逻辑分布中抽取样本。
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_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 Pareto II 或 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])	从模式 = 0 的标准柯西分布中抽取样本。
standard_exponential([size])	从标准指数分布中抽取样本。
standard_gamma(shape[, size])	从标准 Gamma 分布中抽取样本。
standard_normal([size])	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])	从韦伯分布中抽取样本。
zipf(a[, size])	从Zipf分布中抽取样本。

numpy.random中的函数

上面许多RandomState方法都作为numpy.random中的函数导出。这种用法不推荐，因为它通过一个全局RandomState实例实现，出于两个原因不建议使用：

• 它使用全局状态，这意味着结果会随着代码的变化而变化。

• 它使用RandomState而不是更现代的Generator。

出于向后兼容的遗留原因，我们不会更改这一点。

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。
bytes(length)	返回随机字节。
chisquare(df[, size])	从卡方分布中抽取样本。
choice(a[, size, replace, p])	从给定的 1-D 数组生成随机样本。
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。
get_state([legacy])	返回一个元组，表示生成器的内部状态。
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）的拉普拉斯或双指数分布中抽取样本。
logistic([loc, scale, size])	从逻辑分布中抽取样本。
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_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 Pareto II 或 Lomax 分布中抽取样本。
permutation(x)	随机排列序列，或返回一个排列的范围。
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。
rand(d0, d1, ..., dn)	给定形状的随机值。
randint(low[, high, size, dtype])	返回从 low（包含）到 high（不包含）的随机整数。
randn(d0, d1, ..., dn)	从“标准正态”分布返回样本（或样本）。
random([size])	返回半开区间 [0.0, 1.0) 中的随机浮点数。
random_integers(low[, high, size])	类型为 numpy.int_、介于 low 和 high（包含）之间的随机整数。
random_sample([size])	返回半开区间 [0.0, 1.0) 中的随机浮点数。
ranf(*args, **kwargs)	这是random_sample的别名。
rayleigh([scale, size])	从瑞利分布中抽取样本。
sample(*args, **kwargs)	这是random_sample的别名。
seed([seed])	重新设置单例RandomState实例的种子。
set_state(state)	从元组设置生成器的内部状态。
shuffle(x)	通过随机排列其内容来修改序列。
standard_cauchy([size])	从模式 = 0 的标准柯西分布中抽取样本。
standard_exponential([size])	从标准指数分布中抽取样本。
standard_gamma(shape[, size])	从标准 Gamma 分布中抽取样本。
standard_normal([size])	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])	从韦伯分布中抽取样本。
zipf(a[, size])	从Zipf分布中抽取样本。