Pseudorandom Number Generation

Modul numpy.random melengkapi modul random bawaan dari python dengan fungsi untuk menghasilkan sebuah array secara efesien dari berbagai jenis distribusi probabilitas. Contoh, anda dapat membuat 4 x 4 array yang berisikan sampe dari distribusi normal menggunakan numpy.random.standard_normal

# Create 4 x 4 random numpy array
samples = np.random.standard_normal((4,4))
samples
'''
array([[-1.8473918 ,  0.20827432,  1.03385197, -0.22193113],
       [-0.08305714,  0.59257033, -1.20084053,  0.27694895],
       [-0.22315066, -1.0487875 , -1.65879409,  0.89752777],
       [ 0.63761711, -0.23913807,  1.53302134, -0.04749161]])
'''

Modul random bawaan dari python, hanya mengambil satu buah nilai, sehingga untuk membuat sebuah array, anda harus menulis perulangan.

from random import normalvariate

normalvariate(0,1)
'''
0.3024286568264026
'''

Berbeda dengan np.random yang tidak perlu membuat perulangan menggunakan python. Dengan demkian, penggunaan np.random akan lebih efesiensi waktu proses dibandingkan menggunakan bawaan dari python.

from random import normalvariate
%timeit samples = [normalvariate for _ in range(1_000_000)]
'''
82 ms ± 9.47 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
'''

%timeit np.random.standard_normal(1_000_000)
'''
29.1 ms ± 274 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
'''

Namun, elemen pada array tidak semurninya acak (lebih ke, pseudorandom) namun dihasilkan oleh random number generator yang dapat dikonfigurasi, itulah yang menentukan nilai apa yang akan dibuat. Fungsi seperti np.random.standard_normal menggunakan nilai bawaan random number generator, namun kita dapat mengatur konfigurasi tersebut secara terpisah.

random_seed = np.random.default_rng(seed=42)
sample = random_seed.standard_normal((4,4))
sample
random_seed = np.random.default_rng(seed=42)sample = random_seed.standard_normal((4,4))sample
'''
array([[ 0.30471708, -1.03998411,  0.7504512 ,  0.94056472],
       [-1.95103519, -1.30217951,  0.1278404 , -0.31624259],
       [-0.01680116, -0.85304393,  0.87939797,  0.77779194],
       [ 0.0660307 ,  1.12724121,  0.46750934, -0.85929246]])
'''

Argumen dengan nama seed adalah yang menentukan penentuan awal dari generator dan menetapkan perubahan dari setiap objek random number generator digunakan untuk menghasilkan data. Objek random_seed diatas terisolasi dari kode yang lain yang menggunakan modul, numpy.random. Artinya inisialisasi tersebut tidak membuat perubahan global.

Dibawah ini adalah daftar methode Numpy Random Number Generator