np.random.seed() 和 np.random.RandomState() 之间的区别答案

【问题标题】：Difference between np.random.seed() and np.random.RandomState()np.random.seed() 和 np.random.RandomState() 之间的区别
【发布时间】：2014-05-24 12:52:45
【问题描述】：

我知道要播种 numpy.random 的随机性并能够重现它，我应该：

import numpy as np
np.random.seed(1234)

但是什么 np.random.RandomState() 怎么办？

【问题讨论】：

另见：stackoverflow.com/q/37224116/562769
这是一个非常好的讨论：stackoverflow.com/questions/5836335/… 你真的必须在 cmets 中跋涉并注意 Robert Kern 是一个 numpy 开发者

标签： python numpy random

【解决方案1】：

random.seed 是一种填充random.RandomState 容器的方法。

来自 numpy 文档：

numpy.random.seed(seed=None)

播种生成器。

该方法在 RandomState 初始化时被调用。可以再次调用它来重新播种生成器。有关详细信息，请参阅 RandomState。

class numpy.random.RandomState

Mersenne Twister 伪随机数生成器的容器。

【讨论】：

但如果我调用 RandomState(1234) 并使用 random.uniform() 创建一个数字，则结果不可重现。 RandomState 之类的容器是用来做什么的？
@eran 你知道Mersenne twister 和Uniform distribution 不是一回事吗？请阅读this 以了解更多关于random.RandomState 的信息。
@eran，实际上是因为您正在创建该类的另一个实例。请参阅我的答案以了解如何使用它。
谢谢！我现在明白了。很直接。该文档只是缺少一个适当的示例。或者我有一个盲点......

【解决方案2】：

如果要设置调用np.random... 将使用的种子，请使用np.random.seed：

np.random.seed(1234)
np.random.uniform(0, 10, 5)
#array([ 1.9151945 ,  6.22108771,  4.37727739,  7.85358584,  7.79975808])
np.random.rand(2,3)
#array([[ 0.27259261,  0.27646426,  0.80187218],
#       [ 0.95813935,  0.87593263,  0.35781727]])

使用类来避免影响全局 numpy 状态：

r = np.random.RandomState(1234)
r.uniform(0, 10, 5)
#array([ 1.9151945 ,  6.22108771,  4.37727739,  7.85358584,  7.79975808])

并且它像以前一样保持状态：

r.rand(2,3)
#array([[ 0.27259261,  0.27646426,  0.80187218],
#       [ 0.95813935,  0.87593263,  0.35781727]])

您可以通过以下方式查看“全局”类的状态：

np.random.get_state()

和你自己的类实例：

r.get_state()

【讨论】：

你的回答很有道理。但是文档如何不令人困惑？ This method is called when RandomState is initialized. It can be called again to re-seed the generator. 它没有说明当我调用此方法时，我只影响一个全局实例（或其他），而不影响任何其他 RandomState 实例。
是的，我同意..numpy.random 模块文档应该清楚地说明该模块是使用RandomState 的有效实例初始化的。但是我找不到任何关于模块本身的文档。

【解决方案3】：

np.random.RandomState() 构造一个随机数生成器。它对np.random 中的独立函数没有任何影响，但必须显式使用：

>>> rng = np.random.RandomState(42)
>>> rng.randn(4)
array([ 0.49671415, -0.1382643 ,  0.64768854,  1.52302986])
>>> rng2 = np.random.RandomState(42)
>>> rng2.randn(4)
array([ 0.49671415, -0.1382643 ,  0.64768854,  1.52302986])

【讨论】：

对独立功能有什么影响？我认为它像我的回答一样创建了一个独立的实例。
@askewchan：错字，我的意思是它没有有任何效果。

【解决方案4】：

np.random.RandomState() - 一个基于不同概率分布提供多种方法的类。
np.random.RandomState.seed() - 在 RandomState() 初始化时调用。

【讨论】：

欢迎来到 SO！感谢您花时间回答这个问题。您能否提供有关您的解决方案的更多详细信息？例如，为什么您的解决方案比公认的答案更好？此外，这个问题是在 6 年前提出并回答的。回答时请务必查看原始问题的日期。请阅读How to Answer。

【解决方案5】：

Seed 是一个全局伪随机生成器。但是randomstate是一个伪随机生成器，与其他生成器隔离，只影响特定变量。

rng = np.random.RandomState(0)
rng.rand(4)
# Out[1]: array([0.5488135 , 0.71518937, 0.60276338, 0.54488318])
rng = np.random.RandomState(0)
rng.rand(4)
# Out[2]: array([0.5488135 , 0.71518937, 0.60276338, 0.54488318])

基本上和Seed一样，但是如下，我们不给变量赋值randomstate。

np.random.RandomState(0)
# Out[3]: <mtrand.RandomState at 0xddaa288>
np.random.rand(4)
# Out[4]: array([0.62395295, 0.1156184 , 0.31728548, 0.41482621])
np.random.RandomState(0)
# Out[5]: <mtrand.RandomState at 0xddaac38>
np.random.rand(4)
# Out[6]: array([0.86630916, 0.25045537, 0.48303426, 0.98555979])

后者与前者不同。这意味着随机状态仅在特定变量内有效。

【讨论】：