Générer des nombres aléatoires avec NumPy
Dans cette leçon, vous allez générer des entiers aléatoires reproductibles avec le générateur Generator de NumPy.
Introduction
Le problème
Les simulations, les jeux, l'échantillonnage et les tests ont tous besoin de nombres aléatoires. Pour tester et enseigner, on veut aussi les mêmes nombres « aléatoires » à chaque exécution, pour pouvoir vérifier et reproduire les résultats.
Imaginez-le ainsi
Un générateur aléatoire avec une graine ressemble à une machine qui lance un dé à 10 faces à partir d'un nombre de départ que vous choisissez. Avec le même nombre de départ (la graine, ou seed), elle rejoue exactement la même série de lancers à chaque fois. Changez la graine, et la série change. Comme avec tout dé, le même nombre peut sortir deux fois.
default_rng(seed=42)🎛️ Régler le nombre de départ de la machine sur 42integers(low=1, high=11, size=5)🎲 Lancer cinq nombres entre 1 et 10high=11🚫 La valeur high elle-même ne sort jamaisvalues📋 [1 8 7 5 5], identique à chaque exécutionUn générateur de nombres aléatoires produit des valeurs qui semblent aléatoires ; lui donner une graine (seed) lui fait produire la même suite à chaque fois, ce qui rend les résultats reproductibles.
Points clés
np.random.default_rng(seed=42)crée un générateur avec une graine fixe.integers(low=1, high=11, size=5)tire cinq entiers de 1 à 10.highest exclu, donc 11 n'est jamais tiré.- Grâce à la graine,
valuesvaut[1 8 7 5 5]à chaque exécution ; sans graine, il changerait.
Quand l’utiliser ?
- Les simulations comme les jeux de dés ou les marches aléatoires.
- Les échantillons aléatoires et les découpages entraînement/test en data science.
- Les tests et exemples reproductibles, en fixant la graine.
Quand s'en passer
- Les mots de passe, jetons ou tout ce qui touche à la sécurité : utilisez le module
secrets. - Un seul choix aléatoire en Python simple : le module
randomsuffit.
Code d’exemple
import numpy as np
generator = np.random.default_rng(seed=42)
values = generator.integers(low=1, high=11, size=5)
print(values)
Résultat de l’exécution
[1 8 7 5 5]
Explication du code
La fonction np.random.default_rng(seed=42) crée un objet Generator, la méthode aujourd'hui recommandée par NumPy. La méthode integers(low=1, high=11, size=5) génère 5 entiers de 1 à 10, car la valeur high est exclue. Comme la graine est fixée, chaque exécution donne le même résultat [1 8 7 5 5].
Modifiez les valeurs et exécutez le programme avec le compilateur Python en ligne CodeUtility, sans installation locale.
Exercices d’approfondissement
Essayez de modifier le code en suivant les pistes ci-dessous. Changer le code et observer le résultat vous fera bien mieux comprendre la leçon que la simple lecture.
- Changez la forme (shape) et le type de données (dtype) du tableau d’entrée.
- Testez avec des nombres négatifs, des décimaux et des valeurs manquantes.
- Appliquez la même opération à un tableau plus grand à plusieurs dimensions et mesurez le temps.
Erreurs fréquentes
Croire que high est inclus
integers(1, 10) ne renvoie jamais 10.
generator.integers(low=1, high=10, size=5) # 1 to 9
generator.integers(low=1, high=11, size=5) # 1 to 10
Leçon terminée ?
Marquez-la comme apprise pour suivre votre progression.
S'entraîner avec un défi
Utilisez le contenu de cette leçon pour résoudre un vrai problème. Chaque défi s'exécute dans le navigateur, avec des tests instantanés et une revue par l'IA.
- Bandit manchot multi-bras epsilon-greedy Équilibrez exploration et exploitation sur un bandit multi-bras avec une sélection d'action epsilon-greedy. Facile
- Échantillonnage avec température et top-k Choisissez le token suivant comme un modèle de langage : gardez les k logits les plus élevés, appliquez la température et échantillonnez. Moyen