Генератор случайных чисел

Класс Generator предоставляет доступ к широкому спектру распределений и служит заменой для RandomState. Основное различие между ними заключается в том, что Generator использует дополнительный генератор случайных битов (BitGenerator) для управления состоянием и генерации случайных битов, которые затем преобразуются в случайные значения из полезных распределений. По умолчанию Generator использует генератор PCG64. Генератор случайных битов можно изменить, передав экземпляр BitGenerator в Generator.

numpy.random.default_rng(seed=None)

Создаёт новый генератор со стандартным генератором случайных битов (PCG64).

Параметры:

seed{None, int, array_like[ints], SeedSequence, BitGenerator, Generator}, необязательный

Семена для инициализации BitGenerator. Если None, то используется свежая, непредсказуемая энтропия из операционной системы. Если передан int или array_like[ints], то все значения должны быть неотрицательными и будут переданы в SeedSequence для получения начального состояния BitGenerator. Также можно передать экземпляр SeedSequence. При передаче BitGenerator он будет обернут в Generator. Если передан Generator, он будет возвращён без изменений.

Возвращаемое значение:

Generator

Инициализированный объект генератора.

Примечания

Если seed не является BitGenerator или Generator, новый BitGenerator будет создан. Эта функция не управляет глобальным экземпляром по умолчанию.

См. Инициализация и энтропия для получения дополнительной информации об инициализации.

Примеры

default_rng — рекомендуемый конструктор для класса генератора случайных чисел Generator. Вот несколько способов построения генератора случайных чисел с помощью default_rng и класса Generator.

Здесь мы используем default_rng для генерации случайного числа с плавающей запятой:

>>> import numpy as np
>>> rng = np.random.default_rng(12345)
>>> print(rng)
Generator(PCG64)
>>> rfloat = rng.random()
>>> rfloat
0.22733602246716966
>>> type(rfloat)
<class 'float'>

Здесь мы используем default_rng для генерации 3 случайных целых чисел между 0 (включительно) и 10 (исключительно):

>>> import numpy as np
>>> rng = np.random.default_rng(12345)
>>> rints = rng.integers(low=0, high=10, size=3)
>>> rints
array([6, 2, 7])
>>> type(rints[0])
<class 'numpy.int64'>

Здесь мы задаём seed, чтобы получить воспроизводимые результаты:

>>> import numpy as np
>>> rng = np.random.default_rng(seed=42)
>>> print(rng)
Generator(PCG64)
>>> arr1 = rng.random((3, 3))
>>> arr1
array([[0.77395605, 0.43887844, 0.85859792],
       [0.69736803, 0.09417735, 0.97562235],
       [0.7611397 , 0.78606431, 0.12811363]])

Если мы выйдем и перезапустим наш интерпретатор Python, то получим те же случайные числа снова:

>>> import numpy as np
>>> rng = np.random.default_rng(seed=42)
>>> arr2 = rng.random((3, 3))
>>> arr2
array([[0.77395605, 0.43887844, 0.85859792],
       [0.69736803, 0.09417735, 0.97562235],
       [0.7611397 , 0.78606431, 0.12811363]])

classnumpy.random.Generator(bit_generator)

Контейнер для генераторов случайных битов.

Generator предоставляет ряд методов для генерации случайных чисел, взятых из различных вероятностных распределений. Помимо аргументов, специфичных для распределений, каждый метод принимает ключевой аргумент size, который по умолчанию None. Если size равен None, то генерируется и возвращается одно значение. Если size — целое число, то возвращается одномерный массив, заполненный сгенерированными значениями. Если size — кортеж, то возвращается массив с указанной формой.

Функция numpy.random.default_rng создаст Generator с стандартным генератором случайных битов NumPy.

Гарантия совместимости отсутствует

Generator не гарантирует совместимость версий. В частности, по мере появления лучших алгоритмов поток битов может измениться.

Параметры:

bit_generatorBitGenerator

Генератор случайных битов для использования в качестве основного генератора.

См. также

default_rng

Рекомендуемый конструктор для Generator.

Примечания

Модуль Python stdlib random содержит генератор псевдослучайных чисел с рядом методов, аналогичных доступным в Generator. Он использует генератор Мерсенна Твистер, и к нему можно получить доступ через MT19937. Generator, помимо того, что он ориентирован на NumPy, имеет преимущество, заключающееся в том, что он предоставляет гораздо больше вероятностных распределений для выбора.

Примеры

>>> from numpy.random import Generator, PCG64
>>> rng = Generator(PCG64())
>>> rng.standard_normal()
-0.203  # random