np.random.default_rng().normal

这个函数是使用NumPy随机数生成器生成正态分布的随机数。其中，default_rng()返回一个默认的随机数生成器对象，normal()是生成正态分布随机数的方法。该方法有三个参数：loc（均值，默认为0），scale（标准差，默认为1）和size（输出的形状，默认为None）。例如，下面的代码将生成一个形状为(3, 3)的二维数组，其中每个元素都是从均值为0，标准差为1的正态分布中生成的随机数：

import numpy as np

rng = np.random.default_rng()
arr = rng.normal(size=(3, 3))
print(arr)

输出：

[[ 0.19856382 -0.86545394  0.28763354]
 [-0.67793228 -0.84344851  0.15294478]
 [-0.70753466  1.44338036 -1.16848934]]

相关问题

np.random.default_rng

### 回答1：
np.random.default_rng是NumPy中的一个随机数生成器，它可以生成高质量的随机数序列，用于模拟和实验等领域。它是NumPy 1.17版本中新增的功能，可以通过调用np.random.default_rng()函数来创建一个随机数生成器对象。该对象可以使用各种随机数生成函数来生成不同类型的随机数，例如整数、浮点数、布尔值等。

### 回答2：
np.random.default_rng其实是numpy库中的一个类，用于生成随机数。在numpy 1.17版本中引入。

这个类可以创建一个随机数生成器，这个生成器遵循BitGenerator接口，且是基于一种具体算法实现。其使用范围与numpy.random相似，但是，default_rng类更加灵活，功能更加丰富。

在使用default_rng的时候，我们需要先创建一个实例，通过这个实例就可以生成所需的随机数，实例的创建方式如下：

rng = np.random.default_rng()

此后，我们便可以通过以下方法生成我们所需要的随机数：

1. 生成一个随机浮点数：rng.random()。

2. 生成一个指定大小，并且值在一个指定范围内的随机整数二维数组：rng.integers(low, high=None, size=None, dtype=np.int64)。

3. 生成指定参数内需要满足特定条件的值。比如，生成平均值为0，方差为1的具有special的array，rng.standard_normal(shape=special)。

4. 生成布尔值数组，元素的值为True、False：rng.choice(a, size=None, replace=True, p=None)。

5. 生成非负随机整数：rng.noncentral_chisquare(df, nonc, size=None, dtype=np.float64)。

此外，此类还可以设置seed值，使用相同的seed值可以生成相同的随机数，非常方便。

总的来说，np.random.default_rng是numpy库中用于创建随机数生成器的一个类，可以用来生成多种类型的随机数，功能较为强大，使用相对比较灵活。

### 回答3：
np.random.default_rng是NumPy中的一个带有状态的随机数生成器（RNG）。它是NumPy 1.17版本中新增的一项功能，旨在用于替代NumPy中旧版随机数生成器np.random中的常规方法。default_rng仅适用于新版NumPy并使用基于BitGenerator的随机数生成器算法。BitGenerator是一种生成伪随机数的算法，它是随机性的核心，使用多个种子号来生成随机数，从而实现随机数序列的生成。

与NumPy中默认的旧版随机数生成器np.random相比，default_rng具有以下优点：

1. 更高效：default_rng使用的是基于BitGenerator的随机数生成算法，比np.random中的算法更加高效。

2. 更安全：使用default_rng可更好地满足加密和安全需求。

3. 更好的状态管理：default_rng允许跨多个随机数生成器实例的状态共享，降低错误率。

在使用default_rng时，用户需要先实例化它，类似于以下代码：

import numpy as np
rng = np.random.default_rng()

接下来，用户就可以调用rng对象上的方法，如下：

random_int = rng.integers(1, 100, size=10)

上述代码生成了10个介于1到100之间的随机整数。

综上所述，default_rng是一个更加高效、安全、可靠的随机数生成器。它基于BitGenerator的生成算法使生成的随机数序列更加高效和随机化，适用于多种应用场景，例如计算机模拟、数据扰动、机器学习等。

np.random.seed(random_state)

`np.random.seed(random_state)`是NumPy中用于设置随机数种子的函数。通过设置随机数种子，可以确保每次运行程序时生成的随机数序列是相同的。

以下是两个例子来演示`np.random.seed(random_state)`的用法：

1. 使用`np.random.seed()`生成相同的随机数序列：

from numpy import *

num = 0
while(num < 5):
    random.seed(5)
    print(random.random()) # 输出：0.22199317108973948
    num += 1

2. 使用`np.random.RandomState()`生成相同的随机数序列：

import numpy as np

rng = np.random.RandomState(2020)
for i in range(10):
    data = rng.randint(0, 100)
    print(data) # 输出：65 68 47 61 92 68 80 23 49 59