Zufallszahlen mit NumPy erzeugen
In dieser Lektion erzeugst du mit dem Zufallsgenerator Generator von NumPy reproduzierbare ganzzahlige Zufallszahlen.
Einführung
Das Problem
Simulationen, Spiele, Stichproben und Tests brauchen alle Zufallszahlen. Zum Testen und Lernen willst du außerdem bei jedem Lauf dieselben scheinbar zufälligen Zahlen, damit sich Ergebnisse prüfen und wiederholen lassen.
Stell es dir so vor
Ein Zufallsgenerator mit Seed ist wie eine Maschine, die einen 10-seitigen Würfel wirft und dabei von einer Startzahl ausgeht, die du einstellst. Stellst du dieselbe Startzahl (den Seed) ein, würfelt sie jedes Mal genau dieselbe Folge. Änderst du den Seed, ändert sich die Folge. Und wie bei jedem Würfel kann dieselbe Zahl zweimal kommen.
default_rng(seed=42)🎛️ Die Startzahl der Maschine auf 42 stellenintegers(low=1, high=11, size=5)🎲 Fünf Zahlen von 1 bis 10 würfelnhigh=11🚫 Der Wert high selbst wird nie gewürfeltvalues📋 [1 8 7 5 5], bei jedem Lauf gleichEin Zufallszahlengenerator erzeugt Werte, die zufällig aussehen. Gibst du ihm einen Seed (Startwert), erzeugt er jedes Mal dieselbe Folge. So werden Ergebnisse wiederholbar.
Das Wichtigste
np.random.default_rng(seed=42)erstellt einen Generator mit festem Seed.integers(low=1, high=11, size=5)zieht fünf ganze Zahlen von 1 bis 10.highist ausgeschlossen, also wird 11 nie gezogen.- Wegen des Seeds ist
valuesbei jedem Lauf[1 8 7 5 5]; ohne Seed würde es sich ändern.
Wann verwendet man das?
- Simulationen wie Würfelspiele oder Random Walks (Zufallsbewegungen).
- Zufallsstichproben und Train/Test-Aufteilungen in der Data Science.
- Wiederholbare Tests und Beispiele, indem du den Seed festlegst.
Wann du es nicht brauchst
- Passwörter, Tokens oder alles Sicherheitsrelevante: Nimm das Modul
secrets. - Eine einzelne Zufallsauswahl in normalem Python: Das Modul
randomreicht.
Beispielcode
import numpy as np
generator = np.random.default_rng(seed=42)
values = generator.integers(low=1, high=11, size=5)
print(values)
Ergebnis der Ausführung
[1 8 7 5 5]
Erklärung des Codes
Die Funktion np.random.default_rng(seed=42) erzeugt ein Generator-Objekt, das ist der heute von NumPy empfohlene Weg. Die Methode integers(low=1, high=11, size=5) erzeugt 5 ganze Zahlen von 1 bis 10, weil der Wert high nicht dazugehört. Da der Seed fest ist, liefert jeder Durchlauf dasselbe Ergebnis [1 8 7 5 5].
Ändere die Werte und führe das Programm im CodeUtility Python Online-Compiler aus, ohne Python lokal zu installieren.
Übungen zur Vertiefung
Ändere den Code anhand der folgenden Vorschläge. Wenn du selbst etwas änderst und das Ergebnis beobachtest, verstehst du viel mehr, als wenn du den Code nur liest.
- Ändere die Form (shape) und den Datentyp (dtype) des Eingabearrays.
- Teste mit negativen Zahlen, Kommazahlen und fehlenden Werten.
- Wende dieselbe Operation auf ein größeres mehrdimensionales Array an und miss die Laufzeit.
Häufige Fehler
Annehmen, dass high eingeschlossen ist
integers(1, 10) liefert nie 10.
generator.integers(low=1, high=10, size=5) # 1 to 9
generator.integers(low=1, high=11, size=5) # 1 to 10
Lektion fertig?
Markiere sie als gelernt, um deinen Fortschritt zu verfolgen.
Mit einer Challenge üben
Nutze den Inhalt dieser Lektion, um ein echtes Problem zu lösen. Jede Challenge läuft im Browser, mit sofortigen Tests und einem KI-Review.
- Epsilon-Greedy-Multi-Armed-Bandit Balanciere Erkundung und Ausnutzung bei einem Multi-Armed-Bandit mit Epsilon-Greedy-Aktionsauswahl. Einfach
- Temperatur- und Top-K-Sampling Wähle das nächste Token wie ein Sprachmodell: Behalte die k höchsten Logits, wende die Temperatur an und ziehe eine Stichprobe. Mittel