numpy1.1.7版本后随机数新的生成方法总结

本文主要是介绍numpy1.1.7版本后随机数新的生成方法总结，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

- - 一、简介
  - 二、Generator
  - - 1、常用函数
    - 2、示例
    - - 2.1 产生随机整数
      - 2.2 产生随机数
      - 2.3 在已有的一维数组里面挑选随机数
    - 3、seed
  - 三、RandomState
  - 四、使用体验

一、简介

最近在看numpy官网的时候，发现1.17版本对随机数做了部分改动。官网地址：Random sampling (numpy.random)

改动如下：
在这里插入图片描述
numpy新版本保持了RandomState的兼容，新的Generator相比于RandomState能力更强大。

在这里插入图片描述
所以有时候我们去网上找博客，不一定能获得最新的内容。

二、Generator

官网地址：Random Generator

我一开始去官网找的时候，也是再三确认，有新的方法了。

1、常用函数

Generator常用的产生随机数的函数如下：
在这里插入图片描述

2、示例

常用的是前三个，我们一个一个说过去。

2.1 产生随机整数

random.Generator.integers(low, high=None, size=None, dtype=np.int64, endpoint=False)

参数：

low：int or array-like of ints，确定随机数的下限，必须给出；如果high没有指定，假如参数是low=3，那么就把3赋值给high，随机数在[0,3)里面选；如果只有一个参数，且给出的时候没有指定给哪low还是high，则默认给high，并且此时low默认为0；
high：int or array-like of ints, optional，确定随机数的上限；
size：int or tuple of ints, optional，确定返回的矩阵大小，可以是一维，也可以是多维；
dtype：dtype, optional，确定整数类型；
endpoint：bool, optional，确定上下限是否包含high，默认是不包含；

示例：

>>> import numpy as np
#初始化Generator
>>> rng=np.random.default_rng()
>>> rng.integers(low=-2,high=2,size=(2,3),endpoint=True)
array([[ 1,  0,  0],[ 1,  2, -1]])
>>> rng.integers(low=3,size=5)
array([0, 1, 2, 0, 0])
>>> rng.integers(3,size=(2,3))
array([[2, 0, 1],[1, 1, 2]])
>>> rng.integers(low=3)
0
>>> rng.integers(low=3)
2
#high是数组的情况，返回值是一个有不同上限的1*3的矩阵，
>>> rng.integers(1,[3,5,10])
array([1, 2, 8])
#low是数组的情况，指定下限
>>> rng.integers([3,5,10],11)
array([ 3, 10, 10])
>>>

2.2 产生随机数

random.Generator.random(size=None, dtype=np.float64, out=None)

参数比较少，size和dtype不再赘述，out用于指定存放结果的数组。random只能产生[0,1)之间的随机数，其它范围的得利用加减乘除等运算得到想要的结果了。

比如，想要[a,b)之间的随机数，可以如下操作：

(b - a) * random() + a

示例：

#产生[0,1)之间的随机数
>>> rng.random(size=4)
array([0.98110911, 0.18213644, 0.41812857, 0.19352714])
#产生[0,5)之间的随机数
>>> 5*rng.random(size=4)
array([1.07804164, 3.67840157, 3.8162768 , 2.13327948])
>>>

2.3 在已有的一维数组里面挑选随机数

random.Generator.choice(a, size=None, replace=True, p=None, axis=0, shuffle=True)

参数如下：

a：{array_like, int}，如果是数组（不仅限于一维数组），就在数组元素里面选；如果是int整数，就在np.arange(a)产生的数组里面选；
replace：bool, optional，是不是有放回采样，即产生的数组里面是不是有重复值；True表示有重复值，False表示没有重复值；
p：1-D array_like, optional，a中每个值被选上的可能性；如果没有给出，默认是均匀分布；
asix：int, optional，这个主要是针对a的，如果a是多维数组，选定在哪个维度上选取元素，假如a是2*4矩阵，axis=0表示每一行作为被挑选的元素；axis=1表示每一列作为被挑选的元素；
shuffle：bool, optional，如果是无放回抽样，是否打乱顺序。

示例：

>>> rng.choice(25,size=(2,4),replace=True)
array([[ 0, 11, 18, 11],[ 3, 18, 20, 22]])
>>> rng.choice(25,size=(2,4),replace=False)
array([[ 1, 14,  7, 23],[20,  9,  6, 19]])
>>>

关于概率p，之前在一篇博客中，看到过这么一个应用，用choice实现了类似轮盘赌的效果，在遗传算法里面需要根据适应度选择交叉和变异的双亲节点，轮盘赌就是想实现适应度越高，被选上的可能性越大，choice函数中的p参数刚好符合。

简单实例：

>>> fitness=rng.random(size=6)
#适应度
>>> fitness
array([0.31172348, 0.21873388, 0.38370583, 0.29026004, 0.39245999,0.33158675])
>>> p=fitness/fitness.sum()
>>> p
array([0.1616429 , 0.11342354, 0.19896904, 0.15051312, 0.20350848,0.17194292])
>>> result=rng.choice(a=6,size=4,replace=False)
#result保存的是下标
>>> result
array([2, 4, 5, 3])
>>>

3、seed

和RandomState一样，seed是用于产生相同的随机数，在Generator中需要实例化的时候就指定，暂时还没遇到这种情境下的应用。

代码：

>>> rng=np.random.default_rng(seed=10)
>>> rng.random()
0.9560017096289753
>>> rng=np.random.default_rng(seed=10)
>>> rng.random()
0.9560017096289753
>>>