7.1 随机数生成器的概念

7.1 随机数生成器的概念

第七章：NumPy 随机数生成 (np.random 模块)

7.1 随机数生成器的概念

在科学计算、模拟、机器学习和数据分析等领域，随机数扮演着至关重要的角色。NumPy 提供了强大的随机数生成功能，通过 np.random 模块实现。理解随机数生成器的概念是有效使用这些功能的基础。

7.1.1 伪随机数

计算机生成的随机数实际上是伪随机数。这意味着它们不是真正意义上的随机，而是通过确定性的算法产生的。这些算法从一个初始值（称为种子）开始，通过一系列数学运算生成看起来随机的数字序列。

伪随机数生成器 (PRNG) 的优点是：

• 可重复性： 给定相同的种子，PRNG 将始终生成相同的数字序列。这对于调试和复现实验结果至关重要。

• 效率： PRNG 的计算速度通常很快，可以高效地生成大量的随机数。

7.1.2 随机数生成器的类型

NumPy 提供了多种随机数生成器，每种生成器都有其自身的特点和适用场景。NumPy 1.17 版本引入了新的随机数生成器系统，基于 Generator 类。老的 RandomState 仍然可用，但推荐使用新的 Generator。

• numpy.random.Generator： 这是推荐的随机数生成器。它使用更现代的算法，例如 PCG64，提供了更好的统计特性和性能。

• numpy.random.RandomState： 这是较旧的随机数生成器。虽然仍然可用，但建议迁移到 Generator。

7.1.3 种子 (Seed)

种子是 PRNG 的初始值。通过设置种子，可以确保每次运行程序时生成相同的随机数序列。这在需要可重复性的情况下非常有用。

7.1.4 使用 Generator 生成随机数

以下是使用 Generator 生成随机数的示例：

import numpy as np
# 创建一个 Generator 实例，使用默认的 PCG64 算法
rng = np.random.default_rng()
# 生成一个 0 到 1 之间的随机数
random_number = rng.random()
print(f"Random number: {random_number}")
# 生成一个包含 5 个 0 到 1 之间的随机数的数组
random_array = rng.random(5)
print(f"Random array: {random_array}")
# 生成一个 3x3 的 0 到 1 之间的随机数矩阵
random_matrix = rng.random((3, 3))
print(f"Random matrix:\n{random_matrix}")
# 设置种子
rng = np.random.default_rng(seed=42)
random_number_seeded = rng.random()
print(f"Seeded random number: {random_number_seeded}")
rng = np.random.default_rng(seed=42)
random_number_seeded_again = rng.random()
print(f"Seeded random number again: {random_number_seeded_again}")
​

代码解释：

1. rng = np.random.default_rng(): 创建一个 Generator 实例。default_rng() 返回一个新的 Generator 实例，使用默认的 PCG64 算法。

2. rng.random(): 生成一个 0 到 1 之间的均匀分布的随机数。

3. rng.random(5): 生成一个包含 5 个 0 到 1 之间的随机数的 NumPy 数组。

4. rng.random((3, 3)): 生成一个 3x3 的随机数矩阵。

5. rng = np.random.default_rng(seed=42): 创建一个 Generator 实例，并设置种子为 42。

6. 连续两次使用相同的种子，生成相同的随机数。

7.1.5 使用 RandomState 生成随机数

虽然推荐使用 Generator，但了解 RandomState 仍然很重要，因为你可能会在旧代码中遇到它。

import numpy as np
# 创建一个 RandomState 实例
rs = np.random.RandomState()
# 生成一个 0 到 1 之间的随机数
random_number = rs.rand()
print(f"Random number: {random_number}")
# 生成一个包含 5 个 0 到 1 之间的随机数的数组
random_array = rs.rand(5)
print(f"Random array: {random_array}")
# 生成一个 3x3 的 0 到 1 之间的随机数矩阵
random_matrix = rs.rand(3, 3)
print(f"Random matrix:\n{random_matrix}")
# 设置种子
rs = np.random.RandomState(seed=42)
random_number_seeded = rs.rand()
print(f"Seeded random number: {random_number_seeded}")
rs = np.random.RandomState(seed=42)
random_number_seeded_again = rs.rand()
print(f"Seeded random number again: {random_number_seeded_again}")
​

代码解释：

1. rs = np.random.RandomState(): 创建一个 RandomState 实例。

2. rs.rand(): 生成一个 0 到 1 之间的均匀分布的随机数。

3. rs.rand(5): 生成一个包含 5 个 0 到 1 之间的随机数的 NumPy 数组。

4. rs.rand(3, 3): 生成一个 3x3 的随机数矩阵。

5. rs = np.random.RandomState(seed=42): 创建一个 RandomState 实例，并设置种子为 42。

6. 连续两次使用相同的种子，生成相同的随机数。

7.1.6 选择合适的随机数生成器

• 对于新的项目，强烈建议使用 Generator。

• 如果需要与旧代码兼容，可以使用 RandomState。

• 如果需要更高的统计质量，可以考虑使用不同的 Generator 算法，例如 MT19937。

7.1.7 随机数生成器的状态

随机数生成器维护一个内部状态，该状态决定了下一个生成的随机数。这意味着，每次调用生成器时，其状态都会更新。

7.1.8 随机数生成器的应用

随机数生成器在许多领域都有广泛的应用，包括：

• 模拟： 模拟物理系统、金融市场等。

• 机器学习： 初始化模型参数、分割数据集、随机森林等。

• 统计： 蒙特卡罗方法、bootstrap 抽样等。

• 游戏开发： 生成随机事件、控制 NPC 行为等。

7.1.9 Mermaid 图表

以下是一个使用 Mermaid 绘制的图表，展示了随机数生成器的概念：

图表解释：

1. 种子 (Seed): 随机数生成器的起始值。

2. 随机数生成器 (PRNG): 使用种子和算法生成随机数的引擎。

3. 内部状态: 随机数生成器内部维护的状态，影响后续生成的随机数。

4. 随机数: 生成的伪随机数。

5. 应用: 随机数在各种领域中的应用。

7.1.10 总结

理解 NumPy 随机数生成器的概念对于有效使用 np.random 模块至关重要。通过选择合适的生成器、设置种子并了解其内部状态，可以生成高质量的随机数，并将其应用于各种科学计算和数据分析任务中。 建议使用新的 Generator 类，因为它提供了更好的性能和统计特性。 通过设置种子，可以实现可重复的随机数序列，这对于调试和复现实验结果非常重要。