numpy是Python中经常要使用的一个库，而其中的random模块经常用来生成一些数组，本文接下来将介绍numpy中random模块的一些使用方法。
首先查看numpy的版本：
import numpy numpy.__version__
'1.18.2'
numpy获得随机数有两种方式：
- 结合BitGenerator生成伪随机数
- 结合Generate从一些统计分布中采样生成伪随机数
BitGenerator：生成随机数的对象。包含32或64位序列的无符号整数
Generator：将从BitGenerator生成的随机数序列转换为遵从特定概率分布（均匀、正态或二项式等）的数字序列的对象。
从Numpy版本1.17.0开始，可以使用许多不同的BitGenerators初始化Generator。 它包含了许多不同的概率分布。 传统的RandomState随机数例程仍然可用，但仅限于单个BitGenerator。为了方便和向后兼容，单个RandomState实例的方法被导入到numpy.random命名空间。
默认情况下，Generator使用PCG64提供的位，该位具有比RandomState中的传统mt19937随机数生成器更好的统计属性。
使用旧的numpy.random.RandomState
from numpy import random random.standard_normal()
结果：1.3768264062478266
Generator可以替代RandomState。 现在，两个类实例都拥有一个内部BitGenerator实例来提供位流，可以通过gen.bit_generator对其进行访问。 某些过期的API清除意味着已从Generator中删除了旧方法和兼容性方法。
# As replacement for RandomState(); default_rng() instantiates Generator with # the default PCG64 BitGenerator. from numpy.random import default_rng rg = default_rng() rg.standard_normal() rg.bit_generator
<numpy.random._pcg64.PCG64 at 0x7f6f87dac270>
以下这种方式可以支持RandomState和Generator，但是它们的接口有很大的不同：
try: rg_integers = rg.integers except AttributeError: rg_integers = rg.randint a = rg_integers(1000)
结果：775
种子可以传递给任何BitGenerator。 提供的值通过SeedSequence进行混合，以将可能的种子序列分布在BitGenerator的更广泛的初始化状态中。 这里使用PCG64，并用Generator包裹。
from numpy.random import Generator, PCG64 rg = Generator(PCG64(12345)) rg.standard_normal()
结果：-1.4238250364546312
新的基础结构采用了不同的方法来从RandomState对象生成随机数。 随机数生成分为两个部分，即位生成器和随机生成器。 BitGenerator的职责有限。 它管理状态并提供产生随机双精度数和随机无符号32位和64位值的功能。随机生成器采用生成器提供的流并将其转换成更有用的分布，例如模拟的正常随机值。 这种结构允许使用很少的代码重复来使用替代位生成器。 Generator是面向用户的对象，几乎与RandomState相同。 初始化生成器的规范方法将PCG64位生成器作为唯一参数。
from numpy.random import default_rng rg = default_rng(12345) rg.random()
结果：0.22733602246716966
也可以直接使用BitGenerator实例实例化Generator。 要使用较旧的MT19937算法，可以直接实例化并将其传递给Generator
from numpy.random import Generator, MT19937 rg = Generator(MT19937(12345)) rg.random()
结果：0.37786929937474845
警告：生成器不再提供用于生成NumPy标准的Box-Muller方法。 使用Generator不能为正态分布或任何其他依赖于正态的分布（例如RandomState.gamma RandomState.standard_t）确切的随机值。 如果需要按位向后兼容流，请使用RandomState。
- Generator的常规，指数和伽马函数使用256步Ziggurat方法，比NumPy的Box-Muller或逆CDF实现快2-10倍。
- 可选的dtype参数，它接受np.float32或np.float64来为选择分布产生统一的单或双精度的随机变量
- 可选的out参数，允许为选择分布填充现有阵列
- random_entropy提供对密码应用程序中使用的系统随机性源的访问（例如Unix上的/ dev / urandom）。
- 所有BitGenerator都可以通过CType（ctype）和CFFI（cffi）生成double，uint64和uint32。这允许在numba中使用位生成器。
- 位生成器可通过Cython用于下游项目。
- 整数现在是从离散均匀分布中生成整数随机数的规范方法。 rand和randn方法仅可通过旧版RandomState使用。端点关键字可用于指定打开或关闭间隔。这将替换randint和已弃用的random_integers。
- random现在是生成浮点随机数的规范方法，它取代了RandomState.random_sample，RandomState.sample和RandomState.ranf。这与Python的随机性是一致的。
- 随机。
- numpy中的所有BitGenerator都使用SeedSequence将种子转换为初始化状态。
Generator可以访问广泛的发行版，并替代RandomState。 两者之间的主要区别在于Generator依赖于附加的BitGenerator来管理状态并生成随机位，然后将这些随机位从有用的分布转换为随机值。 Generator使用的默认BitGenerator为PCG64。 可以通过将实例化的BitGenerator传递给Generator来更改BitGenerator。
也就是说，设置了：
np.random.default_rng(PCG64(随机种子))
在生成随机数的时候都会是相同的。然后替换掉了原来的RandomState(随机种子)
如果省略seed或None，则每次都会实例化一个新的BitGenerator和Generator。 此功能不管理默认的全局实例。
Generator的一些方法：
Generator.integers(low, high=None, size=None, dtype=’int64’, endpoint=False)
例如：
rng = np.random.default_rng(PCG64(12345)) rng.integers(2, size=10)
结果：array([1, 0, 1, 0, 0, 1, 1, 1, 1, 0])
这里的意思是生成10个数，这是个数的取值范围在0-2之间，不包括2.
再看些例子：
rng.integers(5, size=(2, 4))
结果：array([[4, 3, 4, 0], [4, 0, 2, 1]])
rng.integers(1, [3, 5, 10])
结果：array([1, 3, 3])
这里的意思是生成1×3的数组，并且每一位都限制了取值范围。
rng.integers([1, 5, 7], 10)
结果：array([6, 6, 7])
rng.integers([1, 3, 5, 7], [[10], [20]], dtype=np.uint8)
结果：array([[ 1, 4, 8, 9], [ 5, 18, 16, 12]], dtype=uint8)
这里使用了广播机制。
Generator.random(size=None, dtype=’d’, out=None)：
在半开区间[0.0，1.0）中返回随机浮点数。
结果来自指定时间间隔内的“连续均匀”分布。 要对
