Что нового или изменилось

Быстрое сравнение устаревшего mtrand с новым Generator

И более подробно:

• Моделирование из комплексного нормального распределения (complex_normal)
• Генераторы нормального, экспоненциального и гамма-распределений используют 256-шаговые методы Зиггурата, которые в 2-10 раз быстрее, чем реализация NumPy по умолчанию в standard_normal, standard_exponential или standard_gamma.
• integers — теперь канонический способ генерации целочисленных случайных чисел из дискретного равномерного распределения. Методы rand и randn доступны только через устаревший RandomState. Это заменяет и randint, и устаревший random_integers.
• Метод Box-Muller для генерации нормальных распределений больше недоступен.
• Все генераторы битов могут генерировать double, uint64 и uint32 через CTypes (ctypes) и CFFI (cffi). Это позволяет использовать эти генераторы битов в numba.
• Генераторы битов могут быть использованы в последующих проектах с помощью Cython.

In [1]: from  numpy.random import Generator, PCG64

In [2]: import numpy.random

In [3]: rg = Generator(PCG64())

In [4]: %timeit rg.standard_normal(100000)
   ...: %timeit numpy.random.standard_normal(100000)
   ...: 
1 ms +- 2.11 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)
1.81 ms +- 12.7 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)

In [5]: %timeit rg.standard_exponential(100000)
   ...: %timeit numpy.random.standard_exponential(100000)
   ...: 
382 us +- 448 ns per loop (mean +- std. dev. of 7 runs, 1000 loops each)
1.33 ms +- 979 ns per loop (mean +- std. dev. of 7 runs, 1000 loops each)

In [6]: %timeit rg.standard_gamma(3.0, 100000)
   ...: %timeit numpy.random.standard_gamma(3.0, 100000)
   ...: 
1.86 ms +- 1.54 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)
3.6 ms +- 17 us per loop (mean +- std. dev. of 7 runs, 100 loops each)

• Необязательный аргумент dtype, принимающий np.float32 или np.float64, чтобы получить случайные переменные с одинарной или двойной точностью для выбранных распределений

  • Равномерные (random и integers)
  • Нормальные (standard_normal)
  • Стандартные Гамма (standard_gamma)
  • Стандартные Экспоненциальные (standard_exponential)

In [7]: rg = Generator(PCG64(0))

In [8]: rg.random(3, dtype='d')
Out[8]: array([0.63696169, 0.26978671, 0.04097352])

In [9]: rg.random(3, dtype='f')
Out[9]: array([0.07524014, 0.01652753, 0.17526722], dtype=float32)

• Необязательный аргумент out, позволяющий заполнять существующие массивы для выбранных распределений

  • Равномерные (random)
  • Нормальные (standard_normal)
  • Стандартные Гамма (standard_gamma)
  • Стандартные Экспоненциальные (standard_exponential)

  Это позволяет использовать многопоточность для заполнения больших массивов частями с помощью подходящих генераторов BitGenerators параллельно.

In [10]: existing = np.zeros(4)

In [11]: rg.random(out=existing[:2])
Out[11]: array([0.91275558, 0.60663578])

In [12]: print(existing)
[0.91275558 0.60663578 0.         0.        ]