假设我想对正态分布进行采样。这通过rng = numpy.random.default_rng()和rng.normal(mean, std, size)是直接的。如果我想更改标准偏差，比如rng.normal(mean, std*2, size)，这也很容易。
然而，执行这两个命令；不同的"；后果据我所知，采样的可能方式之一是通过逆变换：所以这就像我从均匀分布中选择一个随机值r，并用它来索引正态分布的累积分布的倒数，比如F_X^(-1)(r)。现在，我认为如果我使用rng.normal(mean, std, size)和rng.normal(mean, std*2, size)，它们中的每一个都将产生size = (a,b,c) -> a+b+c样本，这些样本将不对应于均匀分布中的同一样本(即，它们将使用不同的r值(这不是它在numpy中的实现方式，但我认为我将获得的实际样本在这个意义上会有所不同(根据这里的实际实现，这就像我使用了一个不同的状态，但我不确定(。
换句话说，我正在搜索一种方法，该方法将为我提供来自rng.normal(mean, std, size)的样本和以相同方式但使用rng.normal(mean, 2*std, size)获得的样本，因此标准偏差不同。
我考虑过如何操作rng.normal(mean, std, size)产生的样品，以获得所需的结果：
def alter_value(value, new_std, prev_mean=0, prev_std=1):
# use the PDF expression to obtain p(x)
gaussian_value = 1/(np.sqrt(2)*prev_std) * np.exp(-(value-prev_mean)**2/2/prev_std**2)
# fixed p(x), obtain the new x
new_x = prev_mean - np.log(np.sqrt(2)*new_std*gaussian_val)*2*new_std**2
return new_x
不过，我不知道这样做是否正确。
获得可重复或非常相似的随机样本的最简单方法是设置；种子"；或"；状态"；直接使用随机数生成器的。结果不能保证遵守alter_value()函数，但只要在调用函数之前始终将状态设置为相同的值，并且只要不更改函数本身，RNG的输出就保证是相同的。(另请参阅@slothrop和@warren-weckesser对您的问题的评论。(
这种可能是有效的，因为在引擎盖下，numpy可能只是绘制随机数，并根据标准差缩放它们；意思是——就像你的alter_value()一样。numpy可以做一些更复杂的事情，但没有理由这么做
A"；RNG"；只是一个固定的"；"伪随机"；数字序列，所以只要该序列以相同的方式被消耗，从相同的位置开始每次都会产生相同的序列。
当然，如果你绝对需要alter_value()的行为，只需使用该函数。。。但如果你只是想在高水平上重现行为，设置种子就可以了。