numpy random: default_rng(), integers(), normal() và seed
Bài 20/23 · Chương 2
Mảng và tư duy vector
- 8 phút
- Cơ bản
- Python 3.14
- Cập nhật
Trong bài này · 13
numpy random là nhóm hàm sinh số ngẫu nhiên của NumPy: tạo một bộ sinh số bằng np.random.default_rng(), rồi xin nó số nguyên, số thực theo phân phối chuẩn hay phần tử bốc từ một danh sách. Bạn cần nó khi tạo dữ liệu thử cho một báo cáo, mô phỏng số khách mỗi ngày, hay bốc thăm học viên nhận quà mà lần chạy nào cũng ra cùng kết quả.
Cần biết trước: mảng NumPy, shape, ndim, dtype và module random của Python.
Bộ sinh số và hạt giống: default_rng()
Module random của Python cho từng số một. NumPy cho cả mảng số trong một lời gọi, qua một đối tượng gọi là bộ sinh số (generator). Bạn tạo nó một lần, đặt tên rng, kèm một số nguyên gọi là hạt giống (seed):
import numpy as np
rng = np.random.default_rng(2025)
print(rng.integers(20, 61, size=7))
print(rng.integers(20, 61, size=7))
rng = np.random.default_rng(2025)
print(rng.integers(20, 61, size=7))KẾT QUẢ
[38 60 60 35 59 53 46]
[54 51 60 35 23 38 33]
[38 60 60 35 59 53 46]Hai lời gọi liên tiếp trên cùng rng cho hai dãy khác nhau: bộ sinh số nhớ mình đã đi tới đâu. Tạo lại rng với cùng hạt giống 2025 thì dãy bắt đầu lại từ đầu, nên dòng ba giống hệt dòng một. Có thể hình dung hạt giống là số trang của một cuốn sổ số ngẫu nhiên in sẵn: cùng trang thì cùng dãy, trên máy bạn, trên trang này và trên máy đồng nghiệp cùng bản NumPy. Bỏ trống hạt giống, default_rng(), thì mỗi lần chạy ra số khác. Đổi 2025 thành 7 ở cả hai chỗ rồi chạy lại: ba dòng đều đổi, nhưng dòng một và dòng ba vẫn giống nhau.
Số nguyên ngẫu nhiên: rng.integers()
rng.integers(thap, cao, size=...) cho số nguyên từ thap tới cao, không lấy cao, giống range(). size nhận một số cho mảng một chiều, hay một shape cho cả bảng. Mô phỏng điểm đánh giá từ 1 tới 5 sao của ba chi nhánh trong bốn tuần:
import numpy as np
rng = np.random.default_rng(11)
sao = rng.integers(1, 6, size=(3, 4))
print(sao.shape)
print(sao)KẾT QUẢ
(3, 4)
[[1 1 4 3]
[3 4 4 1]
[3 1 3 5]]Muốn 5 sao cũng có thể ra thì cận trên phải là 6. Viết rng.integers(1, 5, size=1000) thì trong cả nghìn số không có số 5 nào: chương trình chạy êm, chỉ có dữ liệu thử thiếu hẳn một mức. Khi mô phỏng, in thử min() và max() của mảng để chắc cả hai đầu đều có mặt.
Số theo phân phối chuẩn: rng.normal()
Thời gian giao một đơn của quán thường quanh 30 phút, có đơn nhanh hơn, có đơn chậm hơn, càng xa 30 càng hiếm. Dạng số liệu này gọi là phân phối chuẩn, và rng.normal(trung_binh, do_lech_chuan, size=...) sinh ra nó:
import numpy as np
rng = np.random.default_rng(5)
phut_giao = rng.normal(30, 6, size=6)
print(phut_giao.round(1))KẾT QUẢ
[25.2 22.1 28.5 32.5 36.8 30.7]Đối số thứ hai, độ lệch chuẩn 6, nói số liệu tản ra bao xa quanh 30: khoảng hai phần ba số đơn rơi vào 24 đến 36 phút. Kết quả là số thực, nên in qua round(1). rng.integers() cho mọi số trong khoảng cùng cơ hội, còn rng.normal() dồn số về gần trung bình, giống số đo thật hơn.
Bốc ngẫu nhiên từ danh sách: rng.choice()
rng.choice(danh_sach, size=...) bốc phần tử từ một list hay mảng. Mặc định một phần tử bốc được nhiều lần; p= cho mỗi phần tử một xác suất, còn replace=False bốc không lặp lại, như bốc thăm:
import numpy as np
rng = np.random.default_rng(8)
kenh = ["Tại quán", "Mang đi", "Giao hàng"]
print(rng.choice(kenh, size=6))
print(rng.choice(kenh, size=8, p=[0.5, 0.3, 0.2]))
hoc_vien = np.array(["An", "Bình", "Chi", "Dũng", "Hà", "Lan"])
print(rng.choice(hoc_vien, size=3, replace=False))KẾT QUẢ
['Giao hàng' 'Tại quán' 'Tại quán' 'Giao hàng' 'Tại quán'
'Tại quán']
['Mang đi' 'Giao hàng' 'Tại quán' 'Tại quán' 'Tại quán' 'Tại quán'
'Tại quán' 'Tại quán']
['Bình' 'An' 'Dũng']Dòng hai có p=[0.5, 0.3, 0.2]: "Tại quán" ra nhiều nhất, đúng ý một quán có nửa số đơn uống tại chỗ. Các xác suất phải cộng lại bằng 1. Với replace=False, ba người được bốc là ba người khác nhau; xin nhiều người hơn danh sách có thì NumPy báo ValueError.
Code cũ: np.random.seed() và vì sao bỏ
np.random.seed() đặt hạt giống cho một bộ sinh số dùng chung của cả chương trình. Đoạn code nào khác rút số từ bộ đó, kể cả bên trong một thư viện, cũng làm dãy của bạn trượt đi trong khi code của bạn không đổi dòng nào. Cách mới để mỗi phần của chương trình có rng riêng, truyền đi như một tham số, nên kết quả chỉ phụ thuộc hạt giống bạn đặt. Gặp code cũ, đổi np.random.seed(n) thành rng = np.random.default_rng(n), rồi np.random.randint thành rng.integers, np.random.normal thành rng.normal; số in ra sẽ khác, nên chạy lại để lấy kết quả mới.
Kiểm tra nhanh
Sau
import numpy as np,print(np.random.default_rng(3).integers(5, 6, size=4))in ra gì?[5 5 5 5][6 6 6 6][5 6 6 5]
Những cách viết nào cho cùng một dãy số ở mọi lần chạy chương trình?
np.random.default_rng(7).integers(1, 7, size=3)np.random.default_rng().integers(1, 7, size=3)np.random.default_rng(seed=7).integers(1, 7, size=3)np.random.seed(7)rồinp.random.default_rng().integers(1, 7, size=3)
Trong khung bẫy tạo bộ sinh số trong hàm, ba lời gọi
boc_so_may_man()in gì?- Ba số khác nhau, đổi theo mỗi lần chạy
- Ba số giống nhau
- Ba số khác nhau, giống nhau ở mọi lần chạy
Sau
import numpy as np,print(len(set(np.random.default_rng(1).choice(10, size=10, replace=False))))in ra gì?910- Báo lỗi
ValueError
Bài tập
Bốc thăm học viên nhận quà
Cuối khóa, lớp bốc thăm tặng quà. hoc_vien là mảng tên học viên, mỗi tên một lần; so_nguoi là số suất quà, không quá số học viên; rng là bộ sinh số nơi gọi đã tạo bằng np.random.default_rng(<hạt giống>). Viết thân hàm boc_tham(hoc_vien, so_nguoi, rng): bốc so_nguoi học viên khác nhau bằng rng.choice(). Cùng hạt giống thì ra cùng kết quả. Hàm không sửa mảng hoc_vien của nơi gọi.
Không tạo bộ sinh số mới trong hàm và không dùng vòng lặp for.
Trả về: tên các học viên trúng quà, theo thứ tự bốc, một ndarray.
Ví dụ boc_tham(np.array(["An", "Bình", "Chi", "Dũng", "Hà", "Lan"]), 3, np.random.default_rng(1)) cho ba tên khác nhau trong lớp.
import numpy as np
def boc_tham(hoc_vien, so_nguoi, rng):
pass # Viết thân hàm thay cho dòng nàyTóm tắt
rng = np.random.default_rng(hat_giong)tạo một bộ sinh số; cùng hạt giống thì cùng dãy ở mọi lần chạy.Tạo
rngmột lần rồi truyền vào hàm; tạo lại trong hàm thì lần nào cũng ra cùng số đầu dãy.rng.integers(thap, cao, size=...)không lấycao;sizenhận một số hay một shape.rng.normal(trung_binh, do_lech_chuan, size=...)dồn số về gần trung bình; in quaround().rng.choice()bốc từ danh sách:p=đặt xác suất,replace=Falsebốc không lặp lại.np.random.seed()thuộc lối viết đời trước: mọi hàmnp.random.*rút số từ một nguồn toàn cục duy nhất, và cùng hạt giống nó vẫn ra dãy khácdefault_rng().
Câu hỏi thường gặp
Nên chọn hạt giống là số nào?
Số nào cũng được, miễn là cố định trong code: 42, 2025 hay số hiệu bài. Hạt giống không làm số "ngẫu nhiên hơn"; nó chỉ chọn dãy nào. Ghi hạt giống vào báo cáo để người khác chạy lại ra đúng số của bạn, như ví dụ bộ sinh số ở đầu bài.
np.random.randint và rng.integers khác nhau thế nào?
Cả hai cho số nguyên trong khoảng không lấy cận trên. np.random.randint là hàm của cách cũ, dùng bộ sinh số chung của cả chương trình; rng.integers dùng bộ sinh số riêng bạn tạo bằng default_rng(). Code mới viết rng.integers, như mục code cũ của bài.
Lấy ngẫu nhiên vài dòng của bảng thì làm sao?
Với mảng NumPy, bốc chỉ số bằng rng.choice(len(bang), size=3, replace=False) rồi lấy các hàng đó. Với bảng pandas có sẵn df.sample(n, random_state=...), bài đọc file CSV bằng pandas là chỗ bắt đầu của tutorial đó.
random của Python và numpy random khác gì nhau?
Module random của Python cho từng số một và hợp với chương trình nhỏ như trò chơi đoán số. numpy random cho cả mảng hay cả bảng số trong một lời gọi và có phân phối như normal(), nên hợp với mô phỏng dữ liệu. Hai bên có hạt giống riêng, không ảnh hưởng nhau.
Chủ đề
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.