matlab - 在 numpy 中实现与 matlab 相同的随机数

Question

我想知道如何在 numpy 中生成与在 MATLAB 中相同的随机数(正态分布)。

作为我在 MATLAB 中执行此操作的示例

RandStream.setGlobalStream(RandStream('mt19937ar','seed',1));
rand
ans =
    0.417022004702574

现在我可以用 numpy 重现这个:

import numpy as np
np.random.seed(1)
np.random.rand()
0.417022004702574

这很好，但是当我使用正态分布执行此操作时，我会得到不同的数字。

RandStream.setGlobalStream(RandStream('mt19937ar','seed',1));
randn
ans =
    -0.649013765191241

还有 numpy

import numpy as np
np.random.seed(1)
np.random.randn()
1.6243453636632417

这两个函数在它们的文档中都说它们是从标准正态分布中提取的，但给出了不同的结果。知道如何调整我的 python/numpy 以获得与 MATLAB 相同的数字。

因为有人将其标记为重复: 正如我在开头和结尾所写的，这是关于正态分布的。 正如我所写的，均匀分布工作正常，这是关于正态分布的。 链接线程中的答案均无助于正常分发。

Answer 1

我的猜测是 matlab 和 numpy 可能使用不同的方法来获得随机数的正态分布(以某种方式从均匀数中获得)。

您可以通过编写一个 box-muller 方法来自己生成随机数来避免这个问题。对于 python ，

import numpy as np

# Box-muller normal distribution, note needs pairs of random numbers as input
def randn_from_rand(rand):

    assert rand.size == 2

    #Use box-muller to get normally distributed random numbers
    randn = np.zeros(2)
    randn[0] = np.sqrt(-2.*np.log(rand[0]))*np.cos(2*np.pi*rand[1])
    randn[1] = np.sqrt(-2.*np.log(rand[0]))*np.sin(2*np.pi*rand[1])

    return randn


np.random.seed(1)
r = np.random.rand(2)
print(r, randn_from_rand(r))

这给出了，

(array([ 0.417022  ,  0.72032449]), array([-0.24517852, -1.29966152]))

对于 matlab，

% Box-muller normal distribution, note needs pairs of random numbers as input
function randn = randn_from_rand(rand)

    %Use box-muller to get normally distributed random numbers
    randn(1) = sqrt(-2*log(rand(1)))*cos(2*pi*rand(2));
    randn(2) = sqrt(-2*log(rand(1)))*sin(2*pi*rand(2));

我们称之为

RandStream.setGlobalStream(RandStream('mt19937ar','seed',1));
r = [rand, rand]
rn = randn_from_rand(r)

有答案，

r =
    0.4170    0.7203
rn =
   -0.2452   -1.2997

请注意，您可以检查输出是否呈正态分布，对于 python，

import matplotlib.pyplot as plt

ra = []
np.random.seed(1)
for i in range(1000000):
    rand = np.random.rand(2)
    ra.append(randn_from_rand(rand))


plt.hist(np.array(ra).ravel(),100)
plt.show()

这给出了，