Что нового или изменилось

В NumPy 1.17.0 был представлен Generator как улучшенная замена для старого RandomState. Вот быстрое сравнение двух реализаций.

• Генераторы нормального, экспоненциального и гамма-распределений используют методы Зиггурата с 256 шагами, которые в 2-10 раз быстрее, чем реализация NumPy по умолчанию в standard_normal, standard_exponential или standard_gamma. Из-за изменения алгоритмов невозможно воспроизвести точные случайные значения с помощью Generator для этих распределений или любого метода распределения, который на них полагается.

In [1]: import numpy.random

In [2]: rng = np.random.default_rng()

In [3]: %timeit -n 1 rng.standard_normal(100000)
   ...: %timeit -n 1 numpy.random.standard_normal(100000)
   ...: 
455 us +- 17.1 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
1.3 ms +- 17.8 us per loop (mean +- std. dev. of 7 runs, 1 loop each)

In [4]: %timeit -n 1 rng.standard_exponential(100000)
   ...: %timeit -n 1 numpy.random.standard_exponential(100000)
   ...: 
458 us +- 1.49 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
1.03 ms +- 5.38 us per loop (mean +- std. dev. of 7 runs, 1 loop each)

In [5]: %timeit -n 1 rng.standard_gamma(3.0, 100000)
   ...: %timeit -n 1 numpy.random.standard_gamma(3.0, 100000)
   ...: 
1.15 ms +- 15.2 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
2.26 ms +- 14.9 us per loop (mean +- std. dev. of 7 runs, 1 loop each)

• integers теперь является стандартным способом генерации целых случайных чисел из дискретного равномерного распределения. Это заменяет как randint, так и устаревший random_integers.
• Методы rand и randn доступны только через устаревшую RandomState.
• Generator.random теперь является стандартным способом генерации случайных чисел с плавающей точкой, заменяя RandomState.random_sample, sample и ranf, которые являлись псевдонимами. Это соответствует Python random.random.
• Все генераторы бит могут производить значения с двойной точностью, uint64 и uint32 через CTypes (ctypes) и CFFI (cffi). Это позволяет использовать эти генераторы бит в numba.
• Генераторы бит могут использоваться в проектах ниже по потоку через Cython.
• Все генераторы бит используют SeedSequence для преобразования целых чисел семян в инициализированные состояния.

• Необязательный параметр dtype, который принимает np.float32 или np.float64 для получения случайных переменных равномерного распределения одинарной или двойной точности для определенных распределений. integers принимает параметр dtype с любым целочисленным типом данных со знаком или без знака.

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

In [6]: rng = np.random.default_rng()

In [7]: rng.random(3, dtype=np.float64)
Out[7]: array([0.38384469, 0.708575  , 0.56572287])

In [8]: rng.random(3, dtype=np.float32)
Out[8]: array([0.23382288, 0.1098206 , 0.317388  ], dtype=float32)

In [9]: rng.integers(0, 256, size=3, dtype=np.uint8)
Out[9]: array([ 34, 243,  94], dtype=uint8)

• Необязательный параметр out, который позволяет заполнять существующие массивы для определенных распределений

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

  Это позволяет выполнять многопоточное заполнение больших массивов частями с помощью подходящих генераторов бит параллельно.

In [10]: rng = np.random.default_rng()

In [11]: existing = np.zeros(4)

In [12]: rng.random(out=existing[:2])
Out[12]: array([0.7476536 , 0.21406269])

In [13]: print(existing)
[0.7476536  0.21406269 0.         0.        ]

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

In [14]: rng = np.random.default_rng()

In [15]: a = np.arange(12).reshape((3, 4))

In [16]: a
Out[16]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

In [17]: rng.choice(a, axis=1, size=5)
Out[17]: 
array([[ 1,  2,  0,  3,  1],
       [ 5,  6,  4,  7,  5],
       [ 9, 10,  8, 11,  9]])

In [18]: rng.shuffle(a, axis=1)        # Shuffle in-place

In [19]: a
Out[19]: 
array([[ 2,  0,  3,  1],
       [ 6,  4,  7,  5],
       [10,  8, 11,  9]])

• Добавлен метод для выборки из комплексного нормального распределения (complex_normal)