新增或更改

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

特性	旧版等价物	备注
生成器	RandomState	Generator 需要一个流源，称为 BitGenerator。提供了一些这样的流源。RandomState 默认使用梅森旋转算法 MT19937，但也可以用任何 BitGenerator 实例化。
随机数	random_sample、rand	访问 BitGenerator 中的值，并将它们转换为区间 [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 关键字参数来填充用户提供的数组。 还支持许多其他分布。
整数	randint、random_integers	使用 endpoint 关键字参数调整区间 high 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，比 NumPy 在 standard_normal、standard_exponential 或 standard_gamma 中的默认实现快 2 到 10 倍。由于算法发生了变化，因此无法使用 Generator 针对这些分布或任何依赖它们的分布方法重现精确的随机值。

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)
   ...: 
943 us +- 6.76 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
1.79 ms +- 3.38 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)
   ...: 
466 us +- 3.16 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
1.28 ms +- 5.78 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)
   ...: 
1.77 ms +- 14.4 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
3.67 ms +- 12.2 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随机整数的规范方法。它取代了 randint 和已弃用的 random_integers。

• rand 和 randn 方法只能通过旧版 RandomState 使用。

• 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 保持一致。

• 所有位生成器都可以通过 CTypes (ctypes) 和 CFFI (cffi) 生成双精度浮点数、uint64 和 uint32。这允许这些位生成器在 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 将种子整数 转换为初始化状态。

• 可选的 dtype 参数，它接受 np.float32 或 np.float64 来为某些分布生成单精度或双精度均匀随机变量。integers 接受具有任何有符号或无符号整数 dtype 的 dtype 参数。

  • 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([0.09159158, 0.28835008, 0.34396385])

In [8]: rng.random(3, dtype=np.float32)
Out[8]: array([0.86976534, 0.13775283, 0.5029292 ], dtype=float32)

In [9]: rng.integers(0, 256, size=3, dtype=np.uint8)
Out[9]: array([55, 86, 24], dtype=uint8)

• 可选的 out 参数，允许为某些分布填充现有数组

  • 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)

  这允许使用合适的 BitGenerators 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([0.43340182, 0.43263176])

In [13]: print(existing)
[0.43340182 0.43263176 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([[ 1,  2,  1,  2,  3],
       [ 5,  6,  5,  6,  7],
       [ 9, 10,  9, 10, 11]])

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

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

• 添加了一个从复数正态分布采样的方法（complex_normal）