如何将NumPy中的RandomState转换为Generator？

已知numpy.random.RandomState已被列为遗留组件，推荐使用numpy.random.default_rng(seed)获取的numpy.random._generator.Generator实例替代。我正在更新自己的包，将所有RandomState的使用替换为Generator，并编写了如下辅助函数：

import numpy as np
from hashlib import md5

def get_random_state(state=None):
    if isinstance(state, np.random._generator.Generator):
        return state
    if isinstance(state, np.random.RandomState):
        raise TypeError('RandomState instances are no longer supported!')
    if state is None:
        return np.random.default_rng()
    try:
        seed = int(state)
    except ValueError:
        # 非数字字符串用MD5哈希生成种子
        seed = int(md5(state.encode('utf-8')).hexdigest(), 16) & 0xffffffff
    return np.random.default_rng(seed)

目前传入RandomState实例会抛出类型错误，但我的多个旧项目都有传入RandomState的场景，希望实现向后兼容，将RandomState转换为Generator。我想到了一种简单方法：

seed = state.randint(1<<32)
return np.random.default_rng(seed)

但我想知道是否可以直接利用RandomState的内部状态来创建Generator？

核心背景 #

RandomState基于MT19937随机数算法，而Generator默认使用PCG64算法，两者底层实现不同，无法直接将RandomState的状态映射到默认的PCG64 Generator。但可以通过以下两种方式实现兼容：

1. 严格复用RandomState的当前状态（推荐）

如果需要保证转换后Generator生成的随机序列和原RandomState继续执行的结果完全一致，可以让Generator使用MT19937后端，并导入RandomState的内部状态：

修改后的辅助函数代码：

import numpy as np
from hashlib import md5

def get_random_state(state=None):
    if isinstance(state, np.random._generator.Generator):
        return state
    if isinstance(state, np.random.RandomState):
        # 提取RandomState的MT19937状态，导入Generator的MT19937后端
        mt_state = state.get_state()
        rng = np.random.Generator(np.random.MT19937())
        rng.bit_generator.set_state(mt_state)
        return rng
    if state is None:
        return np.random.default_rng()
    try:
        seed = int(state)
    except ValueError:
        # 非数字字符串用MD5哈希生成种子
        seed = int(md5(state.encode('utf-8')).hexdigest(), 16) & 0xffffffff
    return np.random.default_rng(seed)

原理：

• 调用RandomState.get_state()获取其MT19937算法的完整状态（包括内部数组、高斯缓存等）
• 创建一个基于MT19937后端的Generator实例
• 通过bit_generator.set_state()导入原状态，后续Generator的随机方法会和原RandomState的执行逻辑完全一致

2. 快速兼容（无需保留原状态）

如果不需要延续原RandomState的随机序列，只是要兼容参数传入场景，可以用你最初想到的方法：从RandomState生成一个随机种子来初始化Generator。这种方式会创建一个全新的随机流，和原RandomState的状态无关：

if isinstance(state, np.random.RandomState):
    seed = state.randint(1 << 32)
    return np.random.default_rng(seed)

注意事项 #

• 若你的代码依赖MT19937算法的随机特性，优先使用第一种状态导入的方式，确保行为完全兼容
• Generator的MT19937后端和RandomState的MT19937是同一算法，状态导入后不会有行为差异

内容的提问来源于stack exchange，提问作者smuecke