我们可以使用 set.seed()
在 R 中设置一个随机种子,这具有全局效果。这是一个最小的例子来说明我的目标:
set.seed(0)
runif(1)
# [1] 0.8966972
set.seed(0)
f <- function() {
# I do not want this random number to be affected by the global seed
runif(1)
}
f()
# [1] 0.8966972
基本上,我希望能够避免全局随机种子(即
.Random.seed
)在本地环境(例如 R 函数)中的影响,以便我可以实现某种用户无法控制的随机性。例如,即使用户有 set.seed()
,他每次调用这个函数还是会得到不同的输出。现在有两种实现方式。第一个依赖于
set.seed(NULL)
每次我想获得一些随机数时,让 R 重新初始化随机种子:createUniqueId <- function(bytes) {
withPrivateSeed(
paste(as.hexmode(sample(256, bytes, replace = TRUE) - 1), collapse = "")
)
}
withPrivateSeed <- function(expr, seed = NULL) {
oldSeed <- if (exists('.Random.seed', envir = .GlobalEnv, inherits = FALSE)) {
get('.Random.seed', envir = .GlobalEnv, inherits = FALSE)
}
if (!is.null(oldSeed)) {
on.exit(assign('.Random.seed', oldSeed, envir = .GlobalEnv), add = TRUE)
}
set.seed(seed)
expr
}
您可以看到即使我将种子设置为 0,我也会得到不同的 id 字符串,并且全局随机数流仍然可重现:
> set.seed(0)
> runif(3)
[1] 0.8966972 0.2655087 0.3721239
> createUniqueId(4)
[1] "83a18600"
> runif(3)
[1] 0.5728534 0.9082078 0.2016819
> set.seed(0)
> runif(3) # same
[1] 0.8966972 0.2655087 0.3721239
> createUniqueId(4) # different
[1] "77cb3d91"
> runif(3)
[1] 0.5728534 0.9082078 0.2016819
> set.seed(0)
> runif(3)
[1] 0.8966972 0.2655087 0.3721239
> createUniqueId(4)
[1] "c41d61d8"
> runif(3)
[1] 0.5728534 0.9082078 0.2016819
第二个实现可以找到here在 Github 上。比较复杂,基本思想是:
set.seed(NULL)
初始化随机种子(在 .onLoad()
中).globals$ownSeed
) 现在我的问题是这两种方法在理论上是否等效。第一种方法的随机性依赖于
createUniqueId()
时的当前时间和进程 ID。被调用,第二种方法似乎依赖于加载包时的时间和进程 ID。对于第一种方法,是否有可能两次调用 createUniqueId()
在同一个 R 进程中完全同时发生,以便它们返回相同的 id 字符串?更新
在下面的回答中,Robert Krzyzanowski 提供了一些经验证据表明
set.seed(NULL)
可能会导致严重的 ID 冲突。我做了一个 simple visualization为了它:createGlobalUniqueId <- function(bytes) {
paste(as.hexmode(sample(256, bytes, replace = TRUE) - 1), collapse = "")
}
n <- 10000
length(unique(replicate(n, createGlobalUniqueId(5))))
length(unique(x <- replicate(n, createUniqueId(5))))
# denote duplicated values by 1, and unique ones by 0
png('rng-time.png', width = 4000, height = 400)
par(mar = c(4, 4, .1, .1), xaxs = 'i')
plot(1:n, duplicated(x), type = 'l')
dev.off()
当线到达图的顶部时,这意味着生成了重复值。但是,请注意这些重复项不会连续出现,即
any(x[-1] == x[-n])
通常是 FALSE
.可能存在与系统时间相关联的重复模式。由于我对基于时间的随机种子的工作原理缺乏了解,我无法进一步调查,但您可以查看相关的 C 源代码片段 here和 here .
最佳答案
我认为在你的函数中只有一个独立的 RNG 会很好,它不受全局种子的影响,但会有自己的种子。原来,randtoolbox
提供了这个功能:
library(randtoolbox)
replicate(3, {
set.seed(1)
c(runif(1), WELL(3), runif(1))
})
# [,1] [,2] [,3]
#[1,] 0.265508663 0.2655087 0.2655087
#[2,] 0.481195594 0.3999952 0.9474923
#[3,] 0.003865934 0.6596869 0.4684255
#[4,] 0.484556709 0.9923884 0.1153879
#[5,] 0.372123900 0.3721239 0.3721239
顶行和底行受种子影响,而中间行是“真正随机的”。
基于此,这是您的功能的实现:
sample_WELL <- function(n, size=n) {
findInterval(WELL(size), 0:n/n)
}
createUniqueId_WELL <- function(bytes) {
paste(as.hexmode(sample_WELL(256, bytes) - 1), collapse = "")
}
length(unique(replicate(10000, createUniqueId_WELL(5))))
#[1] 10000
# independency on the seed:
set.seed(1)
x <- replicate(100, createGlobalUniqueId(5))
x_WELL <- replicate(100, createUniqueId_WELL(5))
set.seed(1)
y <- replicate(100, createGlobalUniqueId(5))
y_WELL <- replicate(100, createUniqueId_WELL(5))
sum(x==y)
#[1] 100
sum(x_WELL==y_WELL)
#[1] 0
编辑
要理解为什么我们会得到重复的键,我们应该看看调用
set.seed(NULL)
时会发生什么。所有与 RNG 相关的代码都是用 C 编写的,因此我们应该直接转到 svn.r-project.org/R/trunk/src/main/RNG.c 并引用函数 do_setseed
。如果 seed = NULL
那么显然 TimeToSeed
被调用。有一条评论指出它应该位于 datetime.c 中,但是,它可以在 svn.r-project.org/R/trunk/src/main/times.c 中找到。导航 R 源可能很困难,所以我在这里粘贴函数:
/* For RNG.c, main.c, mkdtemp.c */
attribute_hidden
unsigned int TimeToSeed(void)
{
unsigned int seed, pid = getpid();
#if defined(HAVE_CLOCK_GETTIME) && defined(CLOCK_REALTIME)
{
struct timespec tp;
clock_gettime(CLOCK_REALTIME, &tp);
seed = (unsigned int)(((uint_least64_t) tp.tv_nsec << 16) ^ tp.tv_sec);
}
#elif defined(HAVE_GETTIMEOFDAY)
{
struct timeval tv;
gettimeofday (&tv, NULL);
seed = (unsigned int)(((uint_least64_t) tv.tv_usec << 16) ^ tv.tv_sec);
}
#else
/* C89, so must work */
seed = (Int32) time(NULL);
#endif
seed ^= (pid <<16);
return seed;
}
所以每次我们调用
set.seed(NULL)
时,R 都会执行以下步骤:#if defined
块中的平台依赖性)好吧,现在很明显,当结果种子发生碰撞时,我们得到了重复的值。我的猜测是当两次调用在 1 秒内发生时会发生这种情况,因此 tv_sec 是恒定的。为了确认这一点,我引入了一个滞后:
createUniqueIdWithLag <- function(bytes, lag) {
Sys.sleep(lag)
createUniqueId(bytes)
}
lags <- 1 / 10 ^ (1:5)
sapply(lags, function(x) length(unique(replicate(n, createUniqueIdWithLag(5, x)))))
[1] 1000 1000 996 992 990
令人困惑的是,即使与纳秒相比,延迟相当可观,我们仍然会发生碰撞!然后让我们进一步挖掘它,我为种子编写了一个“调试模拟器”:
emulate_seed <- function() {
tv <- as.numeric(system('echo $(($(date +%s%N)))', intern = TRUE))
pid <- Sys.getpid()
tv_nsec <- tv %% 1e9
tv_sec <- tv %/% 1e9
seed <- bitwXor(bitwShiftL(tv_nsec, 16), tv_sec)
seed <- bitwXor(bitwShiftL(pid, 16), seed)
c(seed, tv_nsec, tv_sec, pid)
}
z <- replicate(1000, emulate_seed())
sapply(1:4, function(i) length(unique(z[i, ])))
# unique seeds, nanosecs, secs, pids:
#[1] 941 1000 36 1
这真的很令人困惑:纳秒都是唯一的,这并不能保证最终种子的唯一性。为了证明这种效果,这里有一个副本:
# [,1] [,2]
#[1,] -1654969360 -1654969360
#[2,] 135644672 962643456
#[3,] 1397894128 1397894128
#[4,] 2057 2057
bitwShiftL(135644672, 16)
#[1] -973078528
bitwShiftL(962643456, 16)
#[1] -973078528
最后一点:这两个数字的二进制表示和移位是
00001000000101011100011000000000 << 16 => 1100011000000000 + 16 zeroes
00111001011000001100011000000000 << 16 => 1100011000000000 + 16 zeroes
所以是的,这确实是一次不必要的碰撞。
好吧,毕竟说了这么多,最后的结论是:
set.seed(NULL)
易受高负载影响,在处理多个连续调用时不保证不发生冲突!
关于r - 将局部环境的随机性与全局 R 过程隔离,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/23090958/