Устаревшее генерирование случайных чисел

Класс RandomState предоставляет доступ к устаревшим генераторам. Этот генератор считается замороженным и больше не будет улучшаться. Он гарантирует производство тех же значений, что и в финальном релизе NumPy v1.16. Все они зависят от нормальных чисел Бокса—Мюллера или обратных CDF экспоненциальных или гамма-распределений. Этот класс следует использовать только в том случае, если крайне необходимо получить случайные числа, идентичные тем, что генерировались предыдущими версиями NumPy.

RandomState добавляет дополнительную информацию в состояние, которая требуется при использовании нормальных чисел Бокса—Мюллера, так как они генерируются парами. Важно использовать get_state, а не базовые генераторы бит state, при доступе к состоянию, чтобы сохранять эти дополнительные значения.

Хотя мы предоставляем MT19937 BitGenerator для использования независимо от RandomState, обратите внимание, что его начальное значение по умолчанию использует SeedSequence вместо алгоритма устаревшего посева. RandomState будет использовать устаревший алгоритм инициализации. Методы для использования устаревшего алгоритма инициализации в настоящее время являются закрытыми, так как основная причина их использования — реализация RandomState. Однако можно сбросить состояние MT19937 с помощью состояния RandomState:

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.mtrand.RandomState(seed=None)

Контейнер для медленного псевдослучайного генератора чисел Мерсенна-Твистера. Вместо этого рассмотрите использование другого BitGenerator с контейнером Generator.

RandomState и Generator предоставляют множество методов для генерации случайных чисел, взятых из различных распределений вероятностей. В дополнение к аргументам, специфичным для распределений, каждый метод принимает ключевой аргумент size, который по умолчанию равен None. Если size равно None, то генерируется и возвращается одно значение. Если size является целым числом, то возвращается одномерный массив, заполненный сгенерированными значениями. Если size является кортежем, то возвращается массив с заданной формой, заполненный значениями.

Гарантия совместимости

Фиксированный генератор битов с фиксированным значением seed и фиксированной серией вызовов методов ‘RandomState’ с одинаковыми параметрами всегда будет генерировать одинаковые результаты с точностью до округления, за исключением случаев, когда значения были неверными. RandomState фактически заморожен и будет получать обновления только в случае необходимости, вызванной изменениями внутренних компонентов Numpy. Более существенные изменения, включая улучшения алгоритмов, сохранены для Generator.

Параметры:

seed : {None, int, array_like, BitGenerator}, optional Значение seed, используемое для инициализации псевдогенератора случайных чисел, или экземпляр BitGenerator. Если целое число или массив, используется как seed для MT19937 BitGenerator. Значения могут быть любым целым числом от 0 до 2**32 - 1 включительно, массивом (или другой последовательностью) таких целых чисел, или None (по умолчанию). Если seed равно None, то MT19937 BitGenerator инициализируется путем чтения данных из /dev/urandom (или аналога для Windows), если доступно, или из seed, полученного от часов, в противном случае.

См. также

Generator, mt19937.MT19937, Bit_Generators

Примечания

Модуль Python stdlib “random” также содержит псевдослучайный генератор чисел Мерсенна-Твистера с рядом методов, аналогичных тем, что доступны в RandomState. RandomState, помимо того, что он поддерживает NumPy, имеет преимущество в том, что предоставляет гораздо больше распределений вероятностей на выбор.

Инициализация и состояние

Простые данные случайных чисел

Перестановки

Распределения