有什么新的或不同的#

NumPy 1.17.0 是Generator作为旧版本 RandomState的改进替代品引入的。这是两种实现的快速比较。

特征	较旧的同等产品	笔记
`Generator`	`RandomState`	`Generator`需要一个流源，称为 a`BitGenerator` 提供了许多这样的源。默认情况下`RandomState`使用 Mersenne Twister `MT19937`，但也可以使用任何 BitGenerator 进行实例化。
`random`	`random_sample`, `rand`	访问 BitGenerator 中的值，将它们转换为`float64`区间`[0.0.,`“1.0)”。除了`size`kwarg 之外，现在还支持`dtype='d'`or`dtype='f'`和`out`kwarg 来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`区间端点的包含或排除

standard_normal正态、指数和伽玛生成器使用 256 步 Ziggurat 方法，比、standard_exponential或中 NumPy 的默认实现快 2-10 倍 standard_gamma。由于算法的变化，不可能重现Generator用于这些分布或依赖于它们的任何分布方法的精确随机值。

In [1]: import numpy.random

In [2]: rng = np.random.default_rng()

In [3]: %timeit -n 1 rng.standard_normal(100000)
   ...: %timeit -n 1 numpy.random.standard_normal(100000)
   ...: 
1.22 ms +- 17.9 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
2.19 ms +- 12.5 us per loop (mean +- std. dev. of 7 runs, 1 loop each)

In [4]: %timeit -n 1 rng.standard_exponential(100000)
   ...: %timeit -n 1 numpy.random.standard_exponential(100000)
   ...: 
670 us +- 16.2 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
1.62 ms +- 17.8 us per loop (mean +- std. dev. of 7 runs, 1 loop each)

In [5]: %timeit -n 1 rng.standard_gamma(3.0, 100000)
   ...: %timeit -n 1 numpy.random.standard_gamma(3.0, 100000)
   ...: 
2.46 ms +- 13 us per loop (mean +- std. dev. of 7 runs, 1 loop each)
4.42 ms +- 7.76 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规范方法。这取代了 randint和已弃用的random_integers.
和rand方法randn只能通过旧版使用 RandomState。
Generator.random现在是生成浮点随机数的规范方法，它取代了RandomState.random_sample、 sample、和ranf，所有这些都是别名。这与Python的random.random.
ctypes所有位生成器都可以通过 CType ( ) 和 CFFI ( )生成双精度数、uint64 和 uint32 cffi。这使得这些位生成器可以在 numba 中使用。
位生成器可通过 Cython 在下游项目中使用。
所有位生成器都用于SeedSequence将种子整数转换为初始化状态。
可选参数dtype，接受np.float32或np.float64 生成选择分布的单精度或双精度均匀随机变量。integers接受dtype具有任何有符号或无符号整数数据类型的参数。
- 制服 (random和integers)
- 法线 ( standard_normal)
- 标准伽马 ( standard_gamma)
- 标准指数 ( standard_exponential)

In [6]: rng = np.random.default_rng()

In [7]: rng.random(3, dtype=np.float64)
Out[7]: array([0.32742445, 0.00929327, 0.97225134])

In [8]: rng.random(3, dtype=np.float32)
Out[8]: array([0.67851496, 0.9865629 , 0.23022616], dtype=float32)

In [9]: rng.integers(0, 256, size=3, dtype=np.uint8)
Out[9]: array([164,  54, 133], dtype=uint8)

可选out参数，允许为选择的分布填充现有数组
- 制服 ( random)
- 法线 ( standard_normal)
- 标准伽马 ( standard_gamma)
- 标准指数 ( standard_exponential)
这允许多线程使用合适的 BitGenerator 并行填充大型数组。

In [10]: rng = np.random.default_rng()

In [11]: existing = np.zeros(4)

In [12]: rng.random(out=existing[:2])
Out[12]: array([0.83108158, 0.52678072])

In [13]: print(existing)
[0.83108158 0.52678072 0.         0.        ]

和axis等方法的可选参数choice，控制对多维数组执行操作的轴。permutationshuffle

In [14]: rng = np.random.default_rng()

In [15]: a = np.arange(12).reshape((3, 4))

In [16]: a
Out[16]: 
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

In [17]: rng.choice(a, axis=1, size=5)
Out[17]: 
array([[ 1,  1,  0,  3,  3],
       [ 5,  5,  4,  7,  7],
       [ 9,  9,  8, 11, 11]])

In [18]: rng.shuffle(a, axis=1)        # Shuffle in-place

In [19]: a
Out[19]: 
array([[ 2,  0,  3,  1],
       [ 6,  4,  7,  5],
       [10,  8, 11,  9]])

添加了从复杂正态分布（complex_normal）中采样的方法