Генерация псевдослучайных числел

Модуль numpy.random дополняет встроенный в Python модуль random функциями для эффективной для эффективной генерации целых массивов выборок, подчиненых многим видам вероятностных распределений. Например, можно получить массив размера \( 4\times 4 \) выборок из нормального распределения, используя функцию normal:

In [171]: samples = np.random.normal(size=(4, 4))

In [172]: samples
Out[172]: 
array([[-1.34227933, -0.19399381,  0.03387371, -0.08797433],
       [ 0.93296259,  0.25866046,  0.08337615,  0.85956704],
       [-0.52511101,  0.47723459,  1.68167773, -0.11159956],
       [-0.59314399,  0.90182334, -1.36131921,  0.14753701]])

Встроенный модуль random генерирует только одно число за раз. Как видно из приведенного ниже теста, numpy.random на порядок быстрее генерирует очень большие выборки:

In [173]: from random import normalvariate

In [174]: N = 1000000

In [175]: %timeit samples = [normalvariate(0, 1) for _ in range(N)]
715 ms ± 262 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [176]: %timeit np.random.normal(size=N)
38.7 ms ± 748 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

163/5000 Мы говорим, что это псевдослучайные числа, потому что они генерируются алгоритмом с детерминированным поведением на основе начального (seed) числа генератора случайных чисел. Можно изменить начальное число генератора случайных чисел, используя функцию np.random.seed:

In [177]: np.random.seed(1234)

Функция, генерирующие данные, из numpy.random используют глобальное начальное число. Чтобы избежать глобального состояния, вы можете использовать np.random.RandomState для создания генератора случайных чисел, изолированного от других:

In [178]: rng = np.random.RandomState(1234)

In [179]: rng.randn(10)
Out[179]: 
array([ 0.47143516, -1.19097569,  1.43270697, -0.3126519 , -0.72058873,
        0.88716294,  0.85958841, -0.6365235 ,  0.01569637, -2.24268495])

В таблице numpy:pseudornd:tbl:1 представлены некоторые функции модуля numpy.random.

Таблица 7. Некоторые функции модуля numpy.random

• ← Prev
• Next →