往返于纽比家随机状态还有Python的随机。随机？

Question

我希望能够在Python的标准Random和numpy之间来回转换随机状态. 这两种算法都使用Mersenne-Twister算法，因此应该是可能的（除非他们使用不同版本的该算法）。在

我开始研究这些对象的getstate/setstate和get\u state/set\u state方法。但我不知道如何转换它们的细节。在

import numpy as np
import random

rng1 = np.random.RandomState(seed=0)
rng2 = random.Random(seed=0)

state1 = rng1.get_state()
state2 = rng2.getstate()

检查我看到的每一个州：

^{pr2}$

第一个状态是一个大小为5的元组，其len(state1[1]) = 624。在

第二种状态是一个大小为3的元组，其值为len(state2[1]) = 625。看起来state2中的最后一项实际上是state1中的624，这意味着数组实际上大小相同。到现在为止，一直都还不错。这些似乎是合情合理的。在

不幸的是，内部数没有明显的对应关系，所以0的种子会产生不同的状态，这是有意义的，因为rng1.rand() = .548和{}。所以，算法似乎略有不同。在

但是，我不需要它们完全对应。我只需要能够确定地设置一个rng与另一个rng的状态，而不影响第一个rng的状态。

理想情况下，一旦我使用第一个状态设置第二个状态，而不调用任何随机方法，然后使用第二个状态设置第一个状态，第一个状态将保持不变，但这不是一个要求。在

目前我有一个hacked together方法，它只交换我可以从两个rng中提取的624个长度的列表。但是，我不确定这种方法是否有任何问题。有谁对这个问题更了解一些吗？在

这是我的方法，但我不确定是否正确。在

np_rng = np.random.RandomState(seed=0)
py_rng = random.Random(0)

# Convert python to numpy random state (incomplete)
py_state = py_rng.getstate()
np_rng = np.random.RandomState(seed=0)
np_state = np_rng.get_state()
new_np_state = (
    np_state[0],
    np.array(py_state[1][0:-1], dtype=np.uint32),
    np_state[2], np_state[3], np_state[4])
np_rng.set_state(new_np_state)

# Convert numpy to python random state (incomplete)
np_state = np_rng.get_state()
py_rng = random.Random(0)
py_state = py_rng.getstate()
new_py_state = (
    py_state[0], tuple(np_state[1].tolist() + [len(np_state[1])]),
    py_state[1]
)
py_rng.setstate(new_py_state)

---

编辑：

在做一些调查时，我检查了超过10次对一个随机函数的调用后状态会发生什么。在

np_rng = np.random.RandomState(seed=0)
py_rng = random.Random(0)

for i in range(10):
    np_rng.rand()
    npstate = np_rng.get_state()
    print([npstate[0], npstate[1][[0, 1, 2, -2, -1]], npstate[2], npstate[3], npstate[4]])

for i in range(10):
    py_rng.random()
    pystate = py_rng.getstate()
    print([pystate[0], pystate[1][0:3] + pystate[1][-2:], pystate[2]])


['MT19937', array([2443250962, 1093594115, 1878467924, 2648828502, 1678096082], dtype=uint32), 2, 0, 0.0]
['MT19937', array([2443250962, 1093594115, 1878467924, 2648828502, 1678096082], dtype=uint32), 4, 0, 0.0]
['MT19937', array([2443250962, 1093594115, 1878467924, 2648828502, 1678096082], dtype=uint32), 6, 0, 0.0]
['MT19937', array([2443250962, 1093594115, 1878467924, 2648828502, 1678096082], dtype=uint32), 8, 0, 0.0]
['MT19937', array([2443250962, 1093594115, 1878467924, 2648828502, 1678096082], dtype=uint32), 10, 0, 0.0]
['MT19937', array([2443250962, 1093594115, 1878467924, 2648828502, 1678096082], dtype=uint32), 12, 0, 0.0]
['MT19937', array([2443250962, 1093594115, 1878467924, 2648828502, 1678096082], dtype=uint32), 14, 0, 0.0]
['MT19937', array([2443250962, 1093594115, 1878467924, 2648828502, 1678096082], dtype=uint32), 16, 0, 0.0]
['MT19937', array([2443250962, 1093594115, 1878467924, 2648828502, 1678096082], dtype=uint32), 18, 0, 0.0]
['MT19937', array([2443250962, 1093594115, 1878467924, 2648828502, 1678096082], dtype=uint32), 20, 0, 0.0]
[3, (1372342863, 3221959423, 4180954279, 418789356, 2), None]
[3, (1372342863, 3221959423, 4180954279, 418789356, 4), None]
[3, (1372342863, 3221959423, 4180954279, 418789356, 6), None]
[3, (1372342863, 3221959423, 4180954279, 418789356, 8), None]
[3, (1372342863, 3221959423, 4180954279, 418789356, 10), None]
[3, (1372342863, 3221959423, 4180954279, 418789356, 12), None]
[3, (1372342863, 3221959423, 4180954279, 418789356, 14), None]
[3, (1372342863, 3221959423, 4180954279, 418789356, 16), None]
[3, (1372342863, 3221959423, 4180954279, 418789356, 18), None]
[3, (1372342863, 3221959423, 4180954279, 418789356, 20), None]

我希望每个元组中的第一项就是它们所使用的算法的版本。在

有趣的是，624个整数似乎没有改变。总是这样吗？在

但是，我仍然不确定final None在Python版本中的含义，final 2 number在numpy版本中是什么意思。在

Answer 1

NumPy RandomState状态的形式是documented：

Returns: out : tuple(str, ndarray of 624 uints, int, int, float)

The returned tuple has the following items:

1. the string ‘MT19937’.
2. a 1-D array of 624 unsigned integer keys.
3. an integer pos.
4. an integer has_gauss.
5. a float cached_gaussian.

最后两个条目引用标准正态偏差生成器的状态：NumPy usesThe Box–Muller transform，它成对生成这些偏离。因此，对gaussian生成器的第一次调用产生两个值，返回第一个值，然后将第二个值存储起来以供以后使用。然后，第二个调用检索第二个值。因此，我们在这里有额外的状态，需要存储和检索。在

Python Random状态的形式没有记录，但是很容易从source中提取出来。从CPython 3.6.1开始，它看起来是这样的：

def getstate(self):
    """Return internal state; can be passed to setstate() later."""
    return self.VERSION, super().getstate(), self.gauss_next

同样，Python成对地生成正常偏差，self.gauss_next是{}，如果没有额外的正常偏差存储，则存储的偏差值如果有可用的话。在

要找出super().getstate()返回的内容，您需要深入研究C source：它是一个长度为625的元组，包含624个构成梅森扭曲状态的单词，以及该单词集合中的当前位置。因此，该元组中的最后一个条目对应于NumPy状态的索引2处的值pos。在

下面是一个从Python状态转换为NumPy状态的示例，忽略高斯信息的细节：

^{pr2}$

在从PythonRandom状态设置NumPyRandomState状态之后，我们可以看到从两个rng生成的float是一致的：

>>> py_rng.random(), np_rng.uniform()
(0.8444218515250481, 0.8444218515250481)
>>> py_rng.random(), np_rng.uniform()
(0.7579544029403025, 0.7579544029403025)
>>> py_rng.random(), np_rng.uniform()
(0.420571580830845, 0.420571580830845)

下面是反向转换：

>>> _, words, pos, _, _ = np_rng.get_state()
>>> py_rng.setstate((3, tuple(map(int, words)) + (pos,), None))

如前所述，我们可以检查两台发电机的输出是否匹配：

>>> py_rng.random(), np_rng.uniform()
(0.5488135039273248, 0.5488135039273248)
>>> py_rng.random(), np_rng.uniform()
(0.7151893663724195, 0.7151893663724195)
>>> py_rng.random(), np_rng.uniform()
(0.6027633760716439, 0.6027633760716439)
>>> all(py_rng.random() == np_rng.uniform() for _ in range(1000000))
True

Python和NumPy使用不同的算法来生成正态偏差（尽管这两种算法都成对地生成这些偏差），所以即使我们转移了高斯相关的状态，我们也不能期望生成的法向偏差能够匹配。但是，如果您只想在NumPy state对象中保存Python状态信息（反之亦然），以便从一个状态转换到另一个状态再转换回来不会丢失信息，那么这很容易做到：如果has_gauss在NumPy状态下为零，那么使用None作为Python状态的最后一个条目，如果has_gauss非零，则使用Python状态最后一个条目中NumPy状态的值cached_gaussian。下面是一对实现这些转换的函数：

PY_VERSION = 3
NP_VERSION = 'MT19937'

def npstate_to_pystate(npstate):
    """
    Convert state of a NumPy RandomState object to a state
    that can be used by Python's Random.
    """
    version, keys, pos, has_gauss, cached_gaussian = npstate
    pystate = (
        PY_VERSION,
        tuple(map(int, keys)) + (int(pos),),
        cached_gaussian if has_gauss else None,
    )
    return pystate


def pystate_to_npstate(pystate):
    """
    Convert state of a Python Random object to state usable
    by NumPy RandomState.
    """
    version, (*keys, pos), cached_gaussian = pystate
    has_gauss = cached_gaussian is not None
    npstate = (
        NP_VERSION,
        keys,
        pos,
        has_gauss,
        cached_gaussian if has_gauss else 0.0
    )
    return npstate