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_samplerand

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'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

randintrandom_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_normalstandard_exponentialstandard_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)
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)
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 choicepermutationshuffle 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