在 Python、NumPy 和 R 中创建相同的随机数序列

Posted 2023-02-23

【中文标题】在 Python、NumPy 和 R 中创建相同的随机数序列

【英文标题】：Creating same random number sequence in Python, NumPy and R

【发布时间】：2014-04-08 10:17:08

【问题描述】：

Python、NumPy 和 R 都使用相同的算法 (Mersenne Twister) 来生成随机数序列。因此，从理论上讲，设置相同的种子应该在所有 3 中产生相同的随机数序列。情况并非如此。我认为这 3 种实现使用不同的参数导致了这种行为。

R >set.seed(1) >runif(5) [1] 0.2655087 0.3721239 0.5728534 0.9082078 0.2016819 Python 在 [3] 中：random.seed(1) 在 [4] 中：[random.random() for x in range(5)] 输出[4]： [0.13436424411240122, 0.8474337369372327, 0.763774618976614, 0.2550690257394217, 0.49543508709194095]

NumPy
在 [23] 中：将 numpy 导入为 np

在 [24] 中：np.random.seed(1)
在 [25] 中：np.random.rand(5)
出[25]：
数组（[ 4.17022005e-01, 7.20324493e-01, 1.14374817e-04,
         3.02332573e-01, 1.46755891e-01])

有什么方法可以让 NumPy 和 Python 实现产生相同的随机数序列？当然，正如一些 cmets 和答案所指出的，可以使用 rpy。我特别要寻找的是微调 Python 和 NumPy 中各自调用中的参数以获取序列。

上下文：问题来自使用 R 的 EDX 课程。在其中一个论坛上，有人问是否可以使用 Python，工作人员回答说有些作业需要设置特定的种子并提交答案。

相关：

Comparing Matlab and Numpy code that uses random number generation 由此看来，底层的 NumPy 和 Matlab 实现是相似的。 python vs octave random generator：这个问题确实非常接近预期的答案。需要对默认状态生成器进行某种包装。

【问题讨论】：

您可以使用 RPy（或类似的东西）直接从 R 获取随机数。 rpy.sourceforge.net

@tom10 这是可能的。但是，我想应该有一种更清洁的方法！

刚刚快速浏览了 R 中的 .Random.seed 和 numpy 中的 np.random.get_state() 之类的东西，看起来 numpy 使用无符号整数，而 R 使用有符号整数表示 RNG 的状态-我不确定你是否真的可以强迫他们表现得一样。

query the web，例如scan("http://www.random.org/integers/?num=10&min=1&max=6&col=1&base=10&format=plain&rnd=id.xyz")

@NipunBatra：我认为你低估了 R 中默认数字生成器的状态保持所涉及的程度（因为 R 确实有一个 RNG 集合，你可以在它们之间切换）。跨不同语言拥有相同流的唯一真正方法是重新实现一个通用生成器。 Paul Gilbert 在 15 年前就这样做了，在 R 和 S-Plus（R 的表亲和 S 的另一种不同的早期方言）中生成了相同的模拟。

【参考方案1】：

我意识到这是一个老问题，但我最近偶然发现了同样的问题，并创建了一个对其他人有用的解决方案。

我用 C 语言编写了一个随机数生成器，并将它与 R 和 Python 相关联。这样，随机数在两种语言中都可以保证是相同的，因为它们是使用相同的 C 代码生成的。

该程序名为 SyncRNG，可在此处找到：https://github.com/GjjvdBurg/SyncRNG。

【参考方案2】：

在python中使用rpy2调用r，这里有一个demo，numpy数组data与R中的x共享内存：

import rpy2.robjects as robjects

data = robjects.r("""
set.seed(1)
x <- runif(5)
""")

print np.array(data)

data[1] = 1.0

print robjects.r["x"]

【讨论】：

谢谢。这看起来很容易。我仍然希望尽量避免使用 rpy2。原因是使用了相同的算法。