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 |
|
||
访问 BitGenerator 中的值,并将它们转换为区间 还支持许多其他分布。 |
||
使用 |
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。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)