Python 中 numpy.random 和 random.random 的区别

Question

我有一个很大的Python脚本。我在其他人的代码中受到启发，因此我最终使用 numpy.random 模块来完成某些事情（例如，创建从二项式分布中获取的随机数数组），而在其他地方我使用模块random.random。

有人可以告诉我两者之间的主要区别吗？ 查看两者的文档网页，在我看来 numpy.random 只是有更多方法，但我不清楚随机数的生成有何不同。

我之所以问这个问题是因为我需要为我的主程序播种以进行调试。但除非我在导入的所有模块中使用相同的随机数生成器，否则它不起作用，这是正确的吗？

另外，我在另一篇文章中读到了关于不使用 numpy.random.seed() 的讨论，但我真的不明白为什么这是一个坏主意。如果有人向我解释为什么会出现这种情况，我将非常感激。

Answer 1

您已经做出了许多正确的观察！

除非您想为两个随机生成器播种，否则从长远来看，选择一个生成器或另一个生成器可能更简单。但如果您确实需要同时使用两者，那么是的，您还需要为它们提供种子，因为它们彼此独立地生成随机数。

对于 numpy.random.seed() ，主要困难是它不是线程安全的 - 也就是说，如果您有 许多不同的执行线程，因为如果两个不同的线程正在执行该函数，则不能保证它可以工作 同时。如果您不使用线程，并且您可以合理地预期将来不需要以这种方式重写程序，那么 numpy.random.seed() 应该没问题。如果有任何理由怀疑您将来可能需要线程，从长远来看，按照建议进行操作会更安全，并且 创建 numpy.random.Random 类的本地实例。据我所知，random.seed() 是线程安全的（或者至少，我没有找到任何相反的证据）。

numpy.random 库包含一些科学研究中常用的额外概率分布，以及一些用于生成随机数据数组的便捷函数。 random.random 库更加轻量级，如果您不进行科学研究或其他类型的统计工作，那么应该没问题。

否则，它们都使用 梅森扭曲序列 来生成随机数，并且它们都是完全确定性 - 也就是说，如果您知道一些关键信息，则可以绝对确定地进行预测接下来会出现什么数字。因此，numpy.random 和 random.random 都不适合任何 严重的加密用途。但由于序列非常非常长，因此在您不担心人们试图对您的数据进行逆向工程的情况下，两者都可以很好地生成随机数。这也是需要播种随机值的原因 - 如果每次从同一个位置开始，您将始终获得相同的随机数序列！

附带说明一下，如果您确实需要加密级别的随机性，则应该使用 secrets 模块，或类似 Crypto.Random（如果您使用的是早于 Python 3.6 的 Python 版本）。

Answer 2

来自Python for Data Analysis，模块numpy.random补充Python random 具有从多种概率分布中高效生成样本值整个数组的函数。

相比之下，Python 的内置 random 模块一次仅采样一个值，而 numpy.random 可以更快地生成非常大的样本。使用 IPython 魔术函数 %timeit 我们可以看到哪个模块执行得更快：

In [1]: from random import normalvariate
In [2]: N = 1000000

In [3]: %timeit samples = [normalvariate(0, 1) for _ in xrange(N)]
1 loop, best of 3: 963 ms per loop

In [4]: %timeit np.random.normal(size=N)
10 loops, best of 3: 38.5 ms per loop

Answer 3

令我惊讶的是，randint(a, b) 方法同时存在于 numpy.random 和 random 中，但它们对于上限有不同的行为。

random.randint(a, b) 返回一个随机整数 N，使得 a <= N <= b。 randrange(a, b+1) 的别名。它包含b。 随机文档

但是，如果您调用 numpy.random.randint(a , b)，它将返回低值（包含）到高值（不包含）。 Numpy 文档

Answer 4

种子的来源和使用的分布配置文件将影响输出 - 如果您正在寻找加密随机性，从 os.urandom() 播种将从设备聊天（即以太网或磁盘）中获得几乎真实的随机字节（即/ BSD 上的 dev/random）

这将避免您提供种子并因此生成确定性随机数。然而，随机调用允许你将数字拟合到一个分布（我称之为科学随机性 - 最终你想要的只是随机数的钟形曲线分布，numpy 最擅长解决这个问题。

所以是的，坚持使用一个生成器，但决定你想要什么随机性——随机，但绝对来自分布曲线，或者在没有量子设备的情况下尽可能随机。