scipy.stats种子？

Question

我试图用不同的种子生成scipy.stats.pareto.rvs(b,loc = 0,scale = 1,size = 1).

在numpy中我们可以使用numpy.random.seed(seed = 233423)播种.

有没有办法播种scipy统计数据生成的随机数.

注意:我没有使用numpy pareto,因为我想给出不同的比例值.

Answer 1

scipy.stats只是用来numpy.random生成它的随机数,所以numpy.random.seed()也可以在这里工作.例如,

import numpy as np
from scipy.stats import pareto
b = 0.9
np.random.seed(seed=233423)
print pareto.rvs(b, loc=0, scale=1, size=5)
np.random.seed(seed=233423)
print pareto.rvs(b, loc=0, scale=1, size=5)

会打印[ 9.7758784 10.78405752 4.19704602 1.19256849 1.02750628]两次.

Answer 2

对于那些在 7 年后偶然发现这个问题的人来说，numpy 随机状态生成器函数发生了重大变化。根据此处和此处的文档，RandomState该类将替换为Generator该类。RandomState保证与旧版本/代码兼容，但是它不会收到任何实质性的变化，包括算法改进，这是为Generator.

为了说明如何在同一实验中将现有的基于 Numpy 的随机流传递给 Scipy 函数，下面给出了一些示例和推理，说明哪些情况是可取的，以及为什么。

from numpy.random import Generator, PCG64
from scipy.stats import binom

n, p, size, seed = 10, 0.5, 10, 12345

# Case 1 : Scipy uses some default Random Generator
numpy_randomGen = Generator(PCG64(seed))
scipy_randomGen = binom
print(scipy_randomGen.rvs(n, p, size))
print(numpy_randomGen.binomial(n, p, size))
# prints
# [6 6 5 4 6 6 8 6 6 4]
# [4 4 6 6 5 4 5 4 6 7]
# NOT DESIRABLE as we don't have control over the seed of Scipy random number generation


# Case 2 : Scipy uses same seed and Random generator (new object though)
scipy_randomGen.random_state=Generator(PCG64(seed))
numpy_randomGen = Generator(PCG64(seed))
print(scipy_randomGen.rvs(n, p, size))
print(numpy_randomGen.binomial(n, p, size))
# prints
# [4 4 6 6 5 4 5 4 6 7]
# [4 4 6 6 5 4 5 4 6 7]
    # This experiment is using same sequence of random numbers, one is being used by Scipy
# and other by Numpy. NOT DESIRABLE as we don't want repetition of some random 
# stream in same experiment.


# Case 3 (IMP) : Scipy uses an existing Random Generator which can being passed to Scipy based 
# random generator object
numpy_randomGen = Generator(PCG64(seed))
scipy_randomGen.random_state=numpy_randomGen
print(scipy_randomGen.rvs(n, p, size))
print(numpy_randomGen.binomial(n, p, size))
# prints
# [4 4 6 6 5 4 5 4 6 7]
# [4 8 6 3 5 7 6 4 6 4]
# This should be the case which we mostly want (DESIRABLE). If we are using both Numpy based and 
#Scipy based random number generators/function, then not only do we have no repetition of 
#random number sequences but also have reproducibility of results in this case.

Answer 3

添加到 user5915738 的答案，我认为这是一般的最佳答案，我想指出 imho 最方便的方法来播种scipy.stats分布的随机生成器。

您可以在使用该rvs方法生成分布时设置种子，方法是将种子定义为整数，用于np.random.RandomState内部播种：

uni_int_seed = scipy.stats.uniform(-.1, 1.).rvs(10, random_state=12)

或直接定义np.random.RandomState：

uni_state_seed = scipy.stats.uniform(-.1, 1.).rvs(
    10, random_state=np.random.RandomState(seed=12))

这两种方法是等价的：

np.all(uni_int_seed == uni_state_seed)
# Out: True

这种方法在其分配到的优点random_state的rv_continuous或者rv_discrete是，你总是有明确的控制你的随机状态rvs，而与my_dist.random_state = np.random.RandomState(seed=342423)种子的每次调用丢失后rvs，可能导致非重复性的结果失去分布的轨道时.
同样根据Python 之禅：

2. 显式优于隐式。

:)

Answer 4

对于四年后发生此问题的人员，Scipy DOES提供了一种将np.random.RandomState对象传递给其随机变量类的方法，有关更多详细信息，请参见rv_continuous和rv_discrete。scipy文档说：

seed：None或int或numpy.random.RandomState实例，可选

此参数定义用于绘制随机变量的RandomState对象。如果为None（或np.random），则使用全局np.random状态。如果为整数，则用于播种本地RandomState实例。默认为无。

不幸的是，在连续/离散rvs子类rv_continuous或之后，此参数似乎不可用rv_discrete。但是，该random_state属性确实属于sublass，这意味着我们可以使用np.random.RandomStateafter实例化实例来设置种子，如下所示：

import numpy as np
import scipy.stats as stats

alpha_rv = stats.alpha(3.57)
alpha_rv.random_state = np.random.RandomState(seed=342423)