Что нового или изменилось

Быстрое сравнение устаревшего mtrand с новым Generator

И более подробно:

• Генерация из комплексного нормального распределения (complex_normal)
• Генераторы нормального, экспоненциального и гамма-распределений используют 256-ступенчатый метод Зиггурата, который в 2-10 раз быстрее, чем реализация NumPy по умолчанию в standard_normal, standard_exponential или standard_gamma.

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

In [2]: import numpy.random

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

In [4]: %timeit -n 1 rng.standard_normal(100000)
   ...: %timeit -n 1 numpy.random.standard_normal(100000)
   ...: 
1.11 ms +- 30.5 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
2.27 ms +- 27.8 us per loop (mean +- std. dev. of 7 runs, 1 loop each)

In [5]: %timeit -n 1 rng.standard_exponential(100000)
   ...: %timeit -n 1 numpy.random.standard_exponential(100000)
   ...: 
651 us +- 62.1 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
1.66 ms +- 6.18 us per loop (mean +- std. dev. of 7 runs, 1 loop each)

In [6]: %timeit -n 1 rng.standard_gamma(3.0, 100000)
   ...: %timeit -n 1 numpy.random.standard_gamma(3.0, 100000)
   ...: 
2.17 ms +- 12.6 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
4.58 ms +- 88.6 us per loop (mean +- std. dev. of 7 runs, 1 loop each)

• integers — теперь канонический способ генерации целых случайных чисел из дискретного равномерного распределения. Методы rand и randn доступны только через устаревшую библиотеку RandomState. Это заменяет как randint, так и устаревший random_integers.
• Метод Бокса—Мюллера для генерации нормальных распределений больше недоступен.
• Все генераторы битовых потоков могут генерировать значения типа double, uint64 и uint32 через CTypes (ctypes) и CFFI (cffi). Это позволяет использовать эти генераторы в numba.
• Генераторы битовых потоков могут использоваться в дочерних проектах через Cython.

• Необязательный аргумент dtype, принимающий np.float32 или np.float64 для генерации случайных величин равномерного распределения с одинарной или двойной точностью для выбранных распределений

  • Равномерные распределения (random и integers)
  • Нормальные распределения (standard_normal)
  • Стандартные гамма-распределения (standard_gamma)
  • Стандартные экспоненциальные распределения (standard_exponential)

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

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

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

• Необязательный аргумент out для заполнения существующих массивов для выбранных распределений

  • Равномерные распределения (random)
  • Нормальные распределения (standard_normal)
  • Стандартные гамма-распределения (standard_gamma)
  • Стандартные экспоненциальные распределения (standard_exponential)

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

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

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

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

• Необязательный аргумент axis для методов, таких как choice, permutation и shuffle, который управляет осью, по которой выполняется операция для многомерных массивов.

In [13]: rng = Generator(PCG64(123456789))

In [14]: a = np.arange(12).reshape((3, 4))

In [15]: a
Out[15]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

In [16]: rng.choice(a, axis=1, size=5)
Out[16]: 
array([[ 3,  0,  2,  3,  1],
       [ 7,  4,  6,  7,  5],
       [11,  8, 10, 11,  9]])

In [17]: rng.shuffle(a, axis=1)        # Shuffle in-place

In [18]: a
Out[18]: 
array([[ 3,  1,  2,  0],
       [ 7,  5,  6,  4],
       [11,  9, 10,  8]])