scipy.stats种子？

Question

我正在尝试用不同的种子生成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)作为种子。

有没有办法将scipy统计数据生成的随机数植入种子？

注意:我没有使用numpy pareto，因为我想为scale提供不同的值。

Answer 1

scipy.stats只是使用numpy.random来生成它的随机数，所以numpy.random.seed()在这里也可以工作。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)

将打印[ 9.7758784 10.78405752 4.19704602 1.19256849 1.02750628]两次。

Answer 2

对于那些在四年后读到这篇文章的人来说，Scipy确实提供了一种将np.random.RandomState对象传递给它的随机变量类的方法，请参阅rv_continuous和rv_discrete了解更多详细信息。scipy文档是这样说的：

种子:无、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integer，则用于为本地RandomState实例提供种子。默认值为None。

不幸的是，在连续/离散rvs子类rv_continuous或rv_discrete之后，该参数似乎不可用。然而，random_state属性确实属于子类，这意味着我们可以在实例化之后使用np.random.RandomState的实例来设置种子，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)

Answer 3

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有了一个重大的变化。根据文档here和here，RandomState类被替换为Generator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更改，包括为Generator保留的算法改进。

为了阐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，对于哪些情况是可取的，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.