【numpy】新版本中numpy（numpy>1.17.0）中的random模塊
numpy是Python中經常要使用的一個庫，而其中的random模塊經常用來生成一些數組，本文接下來將介紹numpy中random模塊的一些使用方法。
首先查看numpy的版本：
import numpy numpy.__version__
‘1.18.2’
numpy獲得隨機數有兩種方式：
- 結合BitGenerator生成偽隨機數
- 結合Generate從一些統計分佈中採樣生成偽隨機數
BitGenerator：生成隨機數的對象。包含32或64位序列的無符號整數
Generator：將從BitGenerator生成的隨機數序列轉換為遵從特定概率分佈（均勻、正態或二項式等）的數字序列的對象。
從Numpy版本1.17.0開始，可以使用許多不同的BitGenerators初始化Generator。 它包含了許多不同的概率分佈。 傳統的RandomState隨機數例程仍然可用，但僅限於單個BitGenerator。為了方便和向後兼容，單個RandomState實例的方法被導入到numpy.random命名空間。
默認情況下，Generator使用PCG64提供的位，該位具有比RandomState中的傳統mt19937隨機數生成器更好的統計屬性。
使用舊的numpy.random.RandomState
from numpy import random random.standard_normal()
結果：1.3768264062478266
Generator可以替代RandomState。 現在，兩個類實例都擁有一個內部BitGenerator實例來提供位流，可以通過gen.bit_generator對其進行訪問。 某些過期的API清除意味着已從Generator中刪除了舊方法和兼容性方法。
# As replacement for RandomState(); default_rng() instantiates Generator with # the default PCG64 BitGenerator. from numpy.random import default_rng rg = default_rng() rg.standard_normal() rg.bit_generator
<numpy.random._pcg64.PCG64 at 0x7f6f87dac270>
以下這種方式可以支持RandomState和Generator，但是它們的接口有很大的不同：
try: rg_integers = rg.integers except AttributeError: rg_integers = rg.randint a = rg_integers(1000)
結果：775
種子可以傳遞給任何BitGenerator。 提供的值通過SeedSequence進行混合，以將可能的種子序列分佈在BitGenerator的更廣泛的初始化狀態中。 這裡使用PCG64，並用Generator包裹。
from numpy.random import Generator, PCG64 rg = Generator(PCG64(12345)) rg.standard_normal()
結果：-1.4238250364546312
新的基礎結構採用了不同的方法來從RandomState對象生成隨機數。 隨機數生成分為兩個部分，即位生成器和隨機生成器。 BitGenerator的職責有限。 它管理狀態並提供產生隨機雙精度數和隨機無符號32位和64位值的功能。隨機生成器採用生成器提供的流並將其轉換成更有用的分佈，例如模擬的正常隨機值。 這種結構允許使用很少的代碼重複來使用替代位生成器。 Generator是面向用戶的對象，幾乎與RandomState相同。 初始化生成器的規範方法將PCG64位生成器作為唯一參數。
from numpy.random import default_rng rg = default_rng(12345) rg.random()
結果：0.22733602246716966
也可以直接使用BitGenerator實例實例化Generator。 要使用較舊的MT19937算法，可以直接實例化並將其傳遞給Generator
from numpy.random import Generator, MT19937 rg = Generator(MT19937(12345)) rg.random()
結果：0.37786929937474845
警告：生成器不再提供用於生成NumPy標準的Box-Muller方法。 使用Generator不能為正態分佈或任何其他依賴於正態的分佈（例如RandomState.gamma RandomState.standard_t）確切的隨機值。 如果需要按位向後兼容流，請使用RandomState。
- Generator的常規，指數和伽馬函數使用256步Ziggurat方法，比NumPy的Box-Muller或逆CDF實現快2-10倍。
- 可選的dtype參數，它接受np.float32或np.float64來為選擇分佈產生統一的單或雙精度的隨機變量
- 可選的out參數，允許為選擇分佈填充現有陣列
- random_entropy提供對密碼應用程序中使用的系統隨機性源的訪問（例如Unix上的/ dev / urandom）。
- 所有BitGenerator都可以通過CType（ctype）和CFFI（cffi）生成double，uint64和uint32。這允許在numba中使用位生成器。
- 位生成器可通過Cython用於下游項目。
- 整數現在是從離散均勻分佈中生成整數隨機數的規範方法。 rand和randn方法僅可通過舊版RandomState使用。端點關鍵字可用於指定打開或關閉間隔。這將替換randint和已棄用的random_integers。
- random現在是生成浮點隨機數的規範方法，它取代了RandomState.random_sample，RandomState.sample和RandomState.ranf。這與Python的隨機性是一致的。
- 隨機。
- numpy中的所有BitGenerator都使用SeedSequence將種子轉換為初始化狀態。
Generator可以訪問廣泛的發行版，並替代RandomState。 兩者之間的主要區別在於Generator依賴於附加的BitGenerator來管理狀態並生成隨機位，然後將這些隨機位從有用的分佈轉換為隨機值。 Generator使用的默認BitGenerator為PCG64。 可以通過將實例化的BitGenerator傳遞給Generator來更改BitGenerator。
也就是說，設置了：
np.random.default_rng(PCG64(隨機種子))
在生成隨機數的時候都會是相同的。然後替換掉了原來的RandomState(隨機種子)
如果省略seed或None，則每次都會實例化一個新的BitGenerator和Generator。 此功能不管理默認的全局實例。
Generator的一些方法：
Generator.integers(low, high=None, size=None, dtype=』int64』, endpoint=False)
例如：
rng = np.random.default_rng(PCG64(12345))
rng.integers(2, size=10)
結果：array([1, 0, 1, 0, 0, 1, 1, 1, 1, 0])
這裡的意思是生成10個數，這是個數的取值範圍在0-2之間，不包括2.
再看些例子：
rng.integers(5, size=(2, 4))
結果：array([[4, 3, 4, 0], [4, 0, 2, 1]])
rng.integers(1, [3, 5, 10])
結果：array([1, 3, 3])
這裡的意思是生成1×3的數組，並且每一位都限制了取值範圍。
rng.integers([1, 5, 7], 10)
結果：array([6, 6, 7])
rng.integers([1, 3, 5, 7], [[10], [20]], dtype=np.uint8)
結果：array([[ 1, 4, 8, 9], [ 5, 18, 16, 12]], dtype=uint8)
這裡使用了廣播機制。
Generator.random(size=None, dtype=』d』, out=None)：
在半開區間[0.0，1.0）中返回隨機浮點數。
結果來自指定時間間隔內的「連續均勻」分佈。 要對𝑈𝑛𝑖𝑓[𝑎，𝑏）進行採樣，𝑏>𝑎。將random的輸出乘以（b-a）並加上a。
(b - a) * random() + a
看一些例子：
rng.random()
0.5110659735695771
type(rng.random())
float
rng.random((5,))
array([0.96743595, 0.68306482, 0.39162483, 0.18725257, 0.34596067])
我們可以稍加變化既可以改變獲得區間的值了，例如區間為[-5,0)
5 * rng.random((3, 2)) - 5
array([[-0.54395295, -1.12218029], [-3.409267 , -0.37891552], [-2.64545057, -1.53120579]])
Generator.choice()
choice(a, size=None, replace=True, p=None, axis=0):
Generates a random sample from a given 1-D array
看一些例子：
Generate a uniform random sample from np.arange(5) of size 3:
rng.choice(5, 3)
array([3, 0, 2])
Generate a non-uniform random sample from np.arange(5) of size 3:
rng.choice(5, 3, p=[0.1, 0, 0.3, 0.6, 0])
array([2, 3, 3])
Generate a uniform random sample from np.arange(5) of size 3 without replacement:
rng.choice(5, 3, replace=False)
array([0, 4, 1])
Generate a non-uniform random sample from np.arange(5) of size 3 without replacement:
rng.choice(5, 3, replace=False, p=[0.1, 0, 0.3, 0.6, 0])
array([3, 2, 0])
Any of the above can be repeated with an arbitrary array-like instead of just integers. For instance:
aa_milne_arr = ['pooh', 'rabbit', 'piglet', 'Christopher'] rng.choice(aa_milne_arr, 5, p=[0.5, 0.1, 0.1, 0.3])
array([‘piglet’, ‘Christopher’, ‘pooh’, ‘piglet’, ‘pooh’], dtype='<U11′
Generator.bytes(length)
Return random bytes.
Parameters
length [int] Number of random bytes.
Returns
out [str] String of length length.
看一些例子：
rng.bytes(10)
b'[\x95\xe8\xc4\xbd\x16\xd8\x85\xa7*’
接下來是另外一些方法：
Generator.shuffle(x)
看一些例子：
arr = np.arange(10)
arr
rng.shuffle(arr)
arr
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
array([9, 7, 8, 5, 0, 4, 3, 6, 1, 2])
arr = np.arange(9).reshape((3, 3))
arr rng.shuffle(arr)
arr
array([[0, 1, 2], [3, 4, 5], [6, 7, 8]])
array([[6, 7, 8], [0, 1, 2], [3, 4, 5]])
Generator.permutation(x)
看一些例子：
rng.permutation(10)
array([1, 7, 4, 3, 0, 9, 2, 5, 8, 6])
rng.permutation([1, 4, 9, 12, 15])
array([15, 1, 9, 4, 12])
arr = np.arange(9).reshape((3, 3))
rng.permutation(arr)
array([[0, 1, 2], [6, 7, 8], [3, 4, 5]])
最後是一些統計分佈：
就簡單的看一個分佈：
n, p = 10, .5 # number of trials, probability of each trial s = rng.binomial(n, p, 1000) # result of flipping a coin 10 times, tested 1000 times.
array([7, 8, 9, 4, 5, 6, 3, 5, 4, 7, 2, 7, 2, 7, 5, 4, 4, 7, 4, 6, 7, 4, 5, 5, 7, 4, 4, 6, 3, 4, 6, 6, 5, 7, 4, 7, 4, 7, 6, 6, 5, 6, 4, 6, 3, 6, 8, 8, 4, 7, 5, 5, 5, 5, 5, 8, 6, 3, 6, 5, 9, 4, 6, 5, 4, 3, 7, 2, 4, 5, 4, 5, 4, 6, 5, 6, 8, 3, 5, 3, 4, 5, 6, 4, 6, 6, 5, 7, 5, 8, 8, 5, 8, 6, 5, 5, 6, 8, 7, 8, 5, 1, 3, 5, 3, 5, 3, 4, 4, 7, 5, 3, 6, 7, 6, 1, 7, 4, 6, 6, 6, 3, 4, 3, 6, 3, 5, 6, 6, 5, 3, 7, 4, 5, 1, 4, 7, 6, 6, 5, 3, 4, 8, 3, 6, 4, 6, 3, 3, 5, 4, 6, 9, 3, 4, 4, 5, 4, 5, 4, 5, 7, 7, 4, 4, 5, 5, 2, 6, 6, 5, 3, 6, 3, 3, 5, 5, 8, 4, 4, 4, 7, 6, 1, 3, 8, 5, 5, 3, 4, 2, 7, 7, 5, 6, 3, 4, 5, 6, 5, 3, 7, 4, 6, 7, 3, 5, 5, 9, 6, 5, 6, 5, 3, 4, 6, 6, 5, 4, 3, 6, 4, 6, 7, 6, 5, 2, 6, 8, 4, 7, 5, 6, 6, 4, 5, 3, 3, 4, 6, 5, 7, 6, 7, 6, 5, 3, 5, 5, 3, 3, 8, 6, 4, 2, 4, 5, 8, 2, 6, 8, 8, 5, 6, 6, 2, 4, 7, 3, 3, 5, 7, 4, 5, 8, 7, 2, 6, 3, 8, 6, 7, 5, 3, 4, 3, 6, 7, 5, 7, 4, 5, 5, 5, 2, 3, 3, 6, 5, 9, 6, 4, 3, 6, 6, 3, 5, 8, 7, 3, 5, 7, 5, 2, 4, 4, 4, 8, 6, 9, 6, 8, 5, 7, 5, 6, 4, 7, 5, 7, 4, 5, 5, 7, 6, 4, 5, 7, 7, 6, 4, 7, 5, 6, 6, 6, 2, 4, 6, 6, 7, 6, 6, 7, 7, 4, 7, 8, 3, 5, 5, 5, 7, 1, 3, 6, 4, 5, 3, 8, 5, 3, 7, 5, 4, 3, 2, 7, 3, 4, 5, 3, 6, 6, 6, 4, 4, 6, 8, 5, 7, 3, 6, 4, 4, 2, 7, 3, 4, 4, 5, 6, 3, 3, 4, 7, 6, 7, 5, 1, 5, 4, 3, 4, 6, 5, 6, 6, 5, 5, 6, 6, 6, 4, 4, 6, 6, 6, 4, 2, 6, 3, 6, 2, 3, 3, 3, 6, 2, 4, 5, 5, 6, 5, 3, 3, 6, 4, 3, 4, 3, 6, 4, 5, 5, 5, 7, 5, 3, 6, 4, 4, 6, 4, 4, 5, 6, 6, 5, 1, 1, 3, 9, 5, 5, 6, 5, 3, 6, 4, 4, 2, 6, 6, 4, 2, 4, 3, 4, 6, 5, 5, 5, 5, 5, 5, 3, 7, 4, 7, 7, 5, 6, 5, 6, 8, 1, 7, 4, 4, 6, 4, 5, 3, 2, 5, 3, 7, 2, 3, 7, 4, 5, 2, 6, 5, 6, 6, 6, 5, 5, 6, 4, 6, 3, 7, 5, 3, 4, 4, 3, 5, 5, 5, 5, 4, 6, 5, 1, 6, 2, 5, 5, 7, 7, 4, 5, 3, 5, 4, 5, 5, 7, 5, 7, 5, 4, 8, 4, 2, 4, 6, 5, 6, 6, 7, 3, 7, 4, 5, 7, 4, 5, 4, 3, 5, 3, 2, 5, 4, 6, 5, 4, 4, 7, 6, 5, 3, 5, 3, 3, 5, 3, 3, 5, 6, 4, 7, 3, 5, 4, 6, 5, 5, 3, 4, 4, 6, 7, 7, 7, 6, 7, 6, 2, 3, 3, 6, 6, 3, 4, 3, 7, 6, 6, 5, 5, 5, 3, 5, 5, 6, 3, 7, 6, 6, 4, 5, 6, 4, 6, 5, 6, 5, 6, 8, 6, 1, 3, 5, 5, 5, 5, 5, 3, 6, 5, 7, 7, 8, 6, 3, 5, 5, 4, 2, 6, 6, 4, 1, 6, 6, 3, 4, 4, 6, 7, 6, 4, 4, 5, 6, 4, 4, 5, 6, 6, 5, 2, 4, 5, 4, 8, 4, 7, 4, 6, 6, 9, 6, 7, 7, 4, 5, 3, 4, 7, 4, 4, 4, 6, 3, 5, 3, 7, 3, 5, 8, 6, 5, 6, 5, 3, 6, 7, 4, 5, 7, 4, 4, 4, 3, 7, 6, 6, 6, 7, 5, 8, 1, 4, 4, 5, 6, 7, 8, 7, 5, 5, 5, 1, 5, 6, 3, 4, 3, 3, 4, 5, 3, 6, 6, 9, 6, 2, 3, 7, 3, 4, 5, 6, 5, 2, 4, 8, 4, 6, 4, 2, 4, 5, 7, 4, 7, 3, 4, 5, 8, 4, 4, 2, 4, 6, 6, 5, 7, 2, 6, 5, 5, 4, 3, 3, 3, 5, 8, 3, 7, 6, 4, 3, 4, 8, 5, 9, 4, 3, 5, 3, 5, 5, 8, 6, 1, 2, 1, 5, 5, 5, 7, 4, 5, 7, 6, 4, 3, 3, 8, 3, 2, 6, 5, 5, 6, 4, 4, 4, 3, 6, 5, 5, 5, 6, 6, 6, 4, 3, 5, 4, 5, 7, 3, 4, 4, 5, 5, 4, 7, 5, 3, 6, 6, 5, 6, 6, 4, 7, 6, 3, 4, 2, 6, 3, 5, 5, 3, 9, 7, 9, 4, 4, 3, 9, 6, 3, 1, 6, 4, 4, 6, 6, 5, 7, 5, 5, 5, 5, 4, 6, 6, 3, 5, 5, 5, 5, 6, 5, 5, 7, 3, 6, 3, 2, 7, 3, 3, 6, 4, 5, 5, 5, 6, 5, 6, 4, 3, 6, 8, 7, 3, 5, 6, 5, 6, 8, 6, 7, 4, 5, 7, 4, 5, 6, 4, 6, 6, 5, 4, 4, 5, 4, 6, 6, 3, 6, 6, 6, 6, 6, 3, 4, 6, 6, 4, 5, 3, 6, 6, 2, 6, 4, 4, 5, 7, 4, 6, 9, 6, 6, 6])
參考了numpy==1.17.4的英文文檔。
