有什么新的或不同的¶

警告

用于生成NumPy法线的Box-Muller方法在中不再可用 Generator . 不可能使用 Generator 对于正态分布或依赖于正态分布的任何其他分布，如 Generator.gamma 或 Generator.standard_t . 如果需要位向后兼容的流，请使用 RandomState ，即 RandomState.gamma 或 RandomState.standard_t .

遗产的快速比较 mtrand 到新的 Generator

特征	较老的等价物	笔记
`Generator`	`RandomState`	`Generator` 需要流源，称为 `BitGenerator` 其中提供了一些。 `RandomState` 使用梅森缠绕器 `MT19937` 默认情况下，但也可以用任何位生成器实例化。
`random`	`random_sample`, `rand`	访问位生成器中的值，将其转换为 `float64` 在间歇期 `[0.0.,` `` 1.0)`` . 除了 `size` kwarg，现在支持 `dtype='d'` 或 `dtype='f'` 和一个 `out` kwarg填充用户提供的数组。还支持许多其他发行版。
`integers`	`randint`, `random_integers`	使用 `endpoint` kwarg调整 `high` 间隔终结点

更详细地说：

从复正态分布模拟 (complex_normal ）
普通、指数和gamma生成器使用256步Ziggurat方法，比NumPy的默认实现快2-10倍 standard_normal ， standard_exponential 或 standard_gamma .

In [1]: from  numpy.random import Generator, PCG64

In [2]: import numpy.random

In [3]: rg = Generator(PCG64())

In [4]: %timeit -n 1 rg.standard_normal(100000)
   ...: %timeit -n 1 numpy.random.standard_normal(100000)
   ...: 
1.48 ms +- 161 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
4.12 ms +- 19.2 us per loop (mean +- std. dev. of 7 runs, 1 loop each)

In [5]: %timeit -n 1 rg.standard_exponential(100000)
   ...: %timeit -n 1 numpy.random.standard_exponential(100000)
   ...: 
725 us +- 16.6 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
4.59 ms +- 6 us per loop (mean +- std. dev. of 7 runs, 1 loop each)

In [6]: %timeit -n 1 rg.standard_gamma(3.0, 100000)
   ...: %timeit -n 1 numpy.random.standard_gamma(3.0, 100000)
   ...: 
3.04 ms +- 26.6 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
7.08 ms +- 25 us per loop (mean +- std. dev. of 7 runs, 1 loop each)

integers 现在是从离散均匀分布生成整数随机数的标准方法。这个 rand 和 randn 方法只能通过遗留的 RandomState . 这将取代两者 randint 不赞成的 random_integers .
用于生成NumPy法线的Box-Muller方法不再可用。
所有位生成器都可以通过CTypes生成double、uint64和uint32 (ctypes )和CFFI (cffi ). 这使得这些位发生器可以在numba中使用。
钻头发生器可通过Cython在下游项目中使用。
可选的 dtype 接受的论点 np.float32 或 np.float64 为选择分布产生单预测或双预测均匀随机变量
- 制服 (random 和 integers ）
- 法线 (standard_normal ）
- 标准伽马 (standard_gamma ）
- 标准指数 (standard_exponential ）

In [7]: rg = Generator(PCG64(0))

In [8]: rg.random(3, dtype='d')
Out[8]: array([0.63696169, 0.26978671, 0.04097352])

In [9]: rg.random(3, dtype='f')
Out[9]: array([0.07524014, 0.01652753, 0.17526722], dtype=float32)

可选的 out 参数，该参数允许为所选分发版填充现有数组
- 制服 (random ）
- 法线 (standard_normal ）
- 标准伽马 (standard_gamma ）
- 标准指数 (standard_exponential ）
使用合适的多线程生成器来填充大的数据块。

In [10]: existing = np.zeros(4)

In [11]: rg.random(out=existing[:2])
Out[11]: array([0.91275558, 0.60663578])

In [12]: print(existing)
[0.91275558 0.60663578 0.         0.        ]

可选的 axis 方法的参数，如 choice ， permutation 和 shuffle 控制对多维数组在哪个轴上执行操作的。

In [13]: rg = Generator(PCG64(123456789))

In [14]: a = np.arange(12).reshape((3, 4))

In [15]: a
Out[15]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

In [16]: rg.choice(a, axis=1, size=5)
Out[16]: 
array([[ 3,  0,  2,  3,  1],
       [ 7,  4,  6,  7,  5],
       [11,  8, 10, 11,  9]])

In [17]: rg.shuffle(a, axis=1)        # Shuffle in-place

In [18]: a
Out[18]: 
array([[ 3,  1,  2,  0],
       [ 7,  5,  6,  4],
       [11,  9, 10,  8]])

多线程生成性能