numpy.random 与 numpy.random.Generate 之间有什么区别

Question

我最近一直在尝试模拟一些 Monte Carlos 模拟并遇到了numpy.random 。 检查指数生成器的文档我注意到这是页面中的警告，它告诉

Generator.exponential 应该用于新代码。

尽管如此， numpy.random.exponential仍然有效，但我无法运行Generator对应物。 我一直收到以下错误：

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-14-c4cc7e61aa98> in <module>
----> 1 np.random.Generator.exponential(2, 1000)

TypeError: descriptor 'exponential' for 'numpy.random._generator.Generator' objects doesn't apply to a 'int' object

我的问题是：

1. 这2个有什么区别？

2. 如何使用Generator生成样本？

Answer 1

文档中提到的Generator是一个类，在 NumPy 1.17 中引入：它是负责调整来自底层位生成器的值以从各种分布生成样本的核心类。 numpy.random.exponential是（现在）基于 Mersenne-Twister 的旧式随机框架的一部分。 您可能不应该担心很快就会删除遗留函数 - 这样做会破坏大量代码，但 NumPy 开发人员建议，对于新代码，您应该使用新系统，而不是遗留系统。

您更改系统的理由的最佳来源可能是 NEP 19： https : //numpy.org/neps/nep-0019-rng-policy.html

要按照文档的建议使用Generator.exponential ，您首先需要创建Generator类的实例。 创建此类实例的最简单方法是使用numpy.random.default_rng()函数。

所以你想从这样的事情开始：

>>> import numpy
>>> my_generator = numpy.random.default_rng()

在这一点上， my_generator是一个实例numpy.random.Generator ：

>>> type(my_generator)
<class 'numpy.random._generator.Generator'>

并且您可以使用my_generator.exponential从指数分布中获取变量。 在这里，我们从尺度参数为3.2 （或等效为0.3125 ）的指数分布中抽取 10 个样本：

>>> my_generator.exponential(3.2, size=10)
array([6.26251663, 1.59879107, 1.69010179, 4.17572623, 5.94945358,
       1.19466134, 3.93386506, 3.10576934, 1.26095418, 1.18096234])

您的Generator实例当然也可用于获取您需要的任何其他随机变量：

>>> my_generator.integers(0, 100, size=3)
array([56, 57, 10])