numpy.random的Generator类和np.random方法有什么区别？

Question

我已经使用numpy的随机功能有一段时间了，通过调用诸如np.random.choice()或np.random.randint()等方法。 我刚刚发现可以创建一个default_rng对象，或其他Generator对象：

from numpy.random import default_rng
gen = default_rng()
random_number = gen.integers(10)

到目前为止，我总是使用

。

np.random.randint(10)

相反，我想知道这两种方式之间的区别。

我唯一能想到的好处是跟踪多个种子或想要使用特定的PRNG，但也许在更通用的用例中还有区别？

- johannesack

---

randint和np.random的其他函数现已弃用，转而使用生成器。使用多个独立的随机数流是它们的优点之一，但生成器还允许您在不同的位生成器算法之间进行选择，甚至可以实现自己的算法，因此更加灵活，也可能使可重复性更容易实现。 - jdehesa

可重复性和灵活性的论点确实有道理，尽管我猜编写自己的位生成器大多限于加密应用？ - johannesack

是的，我认为这仅限于非常特定的应用程序、研究/学习或特定情况，其中您正在尝试完全匹配其他软件的行为。 - jdehesa

这个回答解决了你的问题吗？如何使用numpy.random从特定分布生成随机数？ - Peter O.

@PeterO。不完全是，我确实理解使用方法，但我想知道是否存在一些潜在的差异需要注意。或者是否有任何非明显的切换到新接口的好处等。 - johannesack

Answer 1

numpy.random.*函数（包括numpy.random.binomial）使用全局伪随机数生成器（PRNG）对象，该对象在应用程序中共享。另一方面，default_rng()是一个独立的Generator对象，不依赖于全局状态。

如果您的应用程序不关心可重复的“随机性”，那么这两种方法目前是等效的。尽管NumPy的新RNG策略通常不建议使用全局状态，但在1.17版本中没有废弃任何numpy.random.*函数，不过在将来的NumPy版本中可能会废弃。

还要注意，由于numpy.random.*函数依赖于不是线程安全的全局PRNG对象，如果应用程序使用多个线程，则这些函数可能会导致竞争条件。（虽然Generator对象也不是线程安全的，但有一些通过多线程生成伪随机数的方法，无需在线程之间共享PRNG对象。）

- Peter O.