如何将Matlab保存的Mersenne Twister随机生成器状态恢复到Numpy？

要实现这个需求，需要处理Matlab与NumPy对Mersenne Twister（MT19937）状态存储格式的差异，具体步骤如下：

1. 读取Matlab保存的状态文件 #

首先用scipy.io.loadmat读取Matlab导出的.mat文件，提取保存的随机生成器状态：

import numpy as np
from scipy.io import loadmat

# 读取Matlab保存的状态文件
mat_data = loadmat('rand_state.mat')
# 提取状态结构体（Matlab的结构体在loadmat中会被转为二维数组）
s = mat_data['s'][0, 0]

2. 转换状态格式 #

Matlab的State是一个625元素的数组：前624个是MT19937的核心状态值，第625个是1-based的当前索引；而NumPy的MT19937状态需要0-based索引，且状态格式为元组('MT19937', 状态数组, 索引)。我们需要做格式转换：

# 提取Matlab的State数组
mat_state_array = s['State'][0]
# 分离核心状态值（前624个）并转为NumPy要求的uint32类型
mt_core_state = mat_state_array[:624].astype(np.uint32)
# 将Matlab的1-based索引转为NumPy的0-based索引
mt_index = int(mat_state_array[624]) - 1

3. 初始化NumPy随机生成器并导入状态 #

创建RandomState实例，用set_state方法导入转换后的状态：

# 创建NumPy随机生成器实例
np_rng = np.random.RandomState()
# 导入转换后的MT19937状态
np_rng.set_state(('MT19937', mt_core_state, mt_index))

验证效果 #

此时用np_rng生成的随机数，会和Matlab中加载状态后生成的随机数完全一致。例如在Matlab中执行：

load('rand_state.mat');
rng(s);
% 生成3个随机数
disp(rand(1, 3));

在Python中执行：

print(np_rng.rand(1, 3))

两者输出结果完全相同。

注意：必须使用set_state导入完整状态，而不是直接用RandomState(seed)——因为后者只能还原初始种子状态，无法复现Matlab中经过多次随机调用后的中间状态。

内容的提问来源于stack exchange，提问作者Divyansh Gupta