Случайные числа — NumPy

Коротко

Создайте генератор: rng = np.random.default_rng(seed), и берите числа из его методов.
Один и тот же seed даёт одну и ту же последовательность — так результаты воспроизводимы. Без seed — каждый запуск разный.
integers(low, high, size) — целые, high не входит; random — [0, 1); uniform, normal — распределения.
choice — случайный выбор (с повторами или без, с вероятностями p); permutation возвращает перемешанную копию, shuffle перемешивает на месте.
Функции вида np.random.rand, np.random.seed — старый API. Он работает, но в новом коде используют генератор.

Синтаксис

rng = np.random.default_rng(42)
rng.integers(low, high=None, size=None)
rng.random(size=None)
rng.uniform(low=0.0, high=1.0, size=None)
rng.normal(loc=0.0, scale=1.0, size=None)
rng.choice(a, size=None, replace=True, p=None)
rng.permutation(x), rng.shuffle(x)

Параметры

ПараметрЧто делаетПо умолчанию

seedчисло для воспроизводимости; None — случайное начальное состояниеNone

sizeсколько чисел: число или форма массива; None — одно числоNone

low, highграницы; high не входит (у integers — если не передать endpoint=True)обязательный

loc, scaleсреднее и стандартное отклонение нормального распределения0.0, 1.0

replaceв choice: можно ли выбирать один элемент несколько разTrue

pв choice: вероятности элементов, сумма 1None

Примеры

Данные для примеровиспользуются во всех примерах ниже

rng = np.random.default_rng(42)   # генератор с фиксированным seed

Целые числа

print(rng.integers(1, 7, size=10))     # кубик: 1–6, верхняя граница не входит
rng.integers(0, 100, size=(2, 3))

Вывод

[1 5 4 3 3 6 1 5 2 1]
array([[52, 97, 73],
       [76, 71, 78]])

Дробные: равномерное и нормальное

print(rng.random(3))                   # равномерно на [0, 1)
print(rng.uniform(10, 20, size=3))     # равномерно на [10, 20)
rng.normal(loc=170, scale=8, size=4).round(1)   # рост: среднее 170, отклонение 8

Вывод

[0.77395605 0.43887844 0.85859792]
[16.97368029 10.94177348 19.75622352]
array([171. , 167.5, 169.9, 163.2])

Случайный выбор

colors = np.array(["красный", "синий", "зелёный"])
print(rng.choice(colors, size=5))                          # с повторами
print(rng.choice(10, size=3, replace=False))               # без повторов
rng.choice(colors, size=5, p=[0.7, 0.2, 0.1])              # с вероятностями

Вывод

['красный' 'зелёный' 'синий' 'синий' 'синий']
[0 9 6]
array(['зелёный', 'синий', 'синий', 'красный', 'красный'], dtype='<U7')

Перемешать

cards = np.arange(6)
print(rng.permutation(cards))   # новый перемешанный массив
rng.shuffle(cards)              # перемешать на месте
cards

Вывод

[3 2 5 4 1 0]
array([2, 4, 0, 1, 3, 5])

Воспроизводимость

a = np.random.default_rng(7).integers(0, 100, size=4)
b = np.random.default_rng(7).integers(0, 100, size=4)
a, b                            # тот же seed — те же числа

Вывод

(array([94, 62, 68, 89]), array([94, 62, 68, 89]))

Подводные камни

Генератор с тем же seed в цикле

Если создавать генератор заново на каждой итерации с одним seed, каждый раз получится одно и то же число. Создайте генератор один раз до цикла.

default_rng(1) внутри цикла

for _ in range(3):
    print(np.random.default_rng(1).integers(0, 100))   # новый генератор с тем же seed — одно и то же

Вывод

47
47
47

Старый API np.random.*

Числа при одинаковом seed у старого и нового API разные — при переписывании старого кода результаты изменятся.

Старый и новый API

np.random.seed(42)
print(np.random.rand(3))        # старый API: работает, но числа другие
np.random.default_rng(42).random(3)

Вывод

[0.37454012 0.95071431 0.73199394]
array([0.77395605, 0.43887844, 0.85859792])