Случайные числа и начальные значения

Реальные наборы данных не всегда оказываются под рукой. Случайные числа позволяют создавать тестовые данные, моделировать сценарии и перемешивать выборки по требованию.

Начните с создания генератора с помощью default_rng. Это современный рекомендуемый способ генерировать случайные числа в NumPy.

Вызовите random у генератора, чтобы получить дробные числа от 0 до 1. Передайте размер, чтобы сразу получить целый массив.

Используйте integers, чтобы получать целые числа из диапазона. Нижняя граница включается, а верхняя — нет.

Метод normal создаёт выборку из колоколообразного распределения. Передайте ему среднее и стандартное отклонение, чтобы задать разброс значений.

Запустите случайный код дважды — и получите разные числа. Это нарушает воспроизводимость, если коллега не может повторить Ваши результаты.

Начальное значение задаёт генератору известную точку старта. Одно и то же начальное значение даёт абсолютно одинаковые числа при каждом запуске.

Два генератора, созданные с начальным значением 42, создают идентичные массивы. Так ноутбуки сохраняют воспроизводимость на разных компьютерах.

Генераторы также умеют перемешивать массивы и выбирать случайные элементы с помощью choice — это идеально для разделения данных или создания тестовых случаев.

Фиксация начального значения делает эксперименты повторяемыми. Рецензенты могут снова запустить Ваш код и убедиться, что получили именно тот результат, о котором Вы сообщили.

Вам ещё может встретиться старый вариант np.random.seed. В новом коде лучше использовать генератор default_rng для более понятной и безопасной работы со случайностью.

Вы генерировали дробные и целые числа, а также выборки из нормального распределения, а затем зафиксировали их с помощью начального значения, чтобы результаты воспроизводились везде. 🎲