NumPy.random.Algebra 随机代数实战指南一份实用指南把 numpy.random 模拟与向量代数、随机矩阵、线性系统、投影、二次型和 Monte Carlo 结合起来。明确区分 numpy.random 的数据生成与 NumPy 数组代数的变换分析。构建可复现的随机向量、矩阵、方程组、投影和二次型。用残差、秩、特征值和条件性验证随机代数实验。把代数期望与模拟估计和收敛诊断联系起来。示例均为独立代码片段可复制到 Python 3 环境中运行。1. 范围、随机状态与代数数据NumPy 并不存在单独名为 numpy.random.Algebra 的模块。本指南使用 numpy.random 生成随机数值数据并使用 NumPy 数组操作尤其是 numpy.linalg对这些数据进行代数运算。这个区分很重要随机性定义实验代数定义变换、约束或被研究的统计量。层次职责典型表达式随机生成创建向量、矩阵、噪声或样本rng.normal(...)、rng.choice(...)数组形状定义标量、向量、矩阵或批次含义x.shape、A.shape代数变换或组合数据A x、x v线性代数求解、分解、投影和分析np.linalg.solve、svd统计汇总随机结果mean、variance、residuaimport numpy as nprng np.random.default_rng(2026)vector rng.normal(size4)matrix rng.normal(size(3, 4))noise rng.normal(scale0.1, size3)result matrix vector noiseprint(vector.shape, matrix.shape, result.shape)可复现的随机代数使用 default_rng 创建局部 Generator并记录种子。记录维度、分布参数和随机调用顺序。把随机数据生成与确定性代数分开使每个阶段都可以测试。对形状、有限值、预期秩和代数不变量使用断言。2. 随机向量、线性组合与几何随机向量可以表示带噪测量、系数向量、方向或模拟状态。线性组合用标量权重组合多个向量。点积是加权和也是衡量方向一致性的几何量范数衡量大小投影提取沿指定方向的分量。图 1随机向量可以组合投影也可以通过代数计算。rng np.random.default_rng(2026)u rng.normal(size3)v rng.normal(size3)weights rng.normal(size3)linear_combination weights[0] * u weights[1] * vprojection (v u) / (u u) * uorthogonal_residual v - projectionprint(u v, np.linalg.norm(v))print(np.allclose(orthogonal_residual u, 0.0))操作表达式解释线性组合Σ cᵢvᵢ张成空间中的点点积u v方向一致性和加权和范数np.linalg.norm(v)向量大小投影(v·u)/(u·u) u沿 u 的分量正交残差v − projection垂直于 u 的分量余弦相似度(u·v)/(||u||||v||)无尺度方向一致性形状选择shape 为 (n,) 的向量参与一维向量运算shape 为 (n, 1) 的列向量参与二维矩阵乘法。批量采样多个向量时应一致使用 (batch, dimension)并沿维度轴进行归约。3. 随机矩阵与线性变换随机矩阵定义了一个随机线性变换。它可能拉伸、旋转、剪切、反射或压缩某些方向。把同一个矩阵应用于点集可以观察几何如何变化二维中行列式的绝对值与面积缩放有关奇异值则描述不同方向上的拉伸。图 2随机 2×2 矩阵把单位圆映射为新的曲线。rng np.random.default_rng(2026)A rng.normal(size(2, 2))points rng.normal(size(1000, 2))transformed points A.Tarea_scale np.linalg.det(A)condition np.linalg.cond(A)print(A)print(determinant:, area_scale)print(condition:, condition)矩阵性质表达式随机代数含义行列式np.linalg.det(A)有符号面积/体积缩放转置A.T交换矩阵轴秩np.linalg.matrix_rank(A)独立输出方向数范数np.linalg.norm(A)大小或最大放大程度条件数np.linalg.cond(A)对扰动的敏感性对称部分(A A.T)/2适合二次型随机矩阵设计只有在模型确实如此时才独立生成每个元素很多问题需要协方差结构。缩放元素以控制典型范数、奇异值或谱半径。需要对称随机矩阵时使用 (A A.T)/2。把随机矩阵用于求解器或类似求逆操作前检查秩和条件性。4. 随机线性系统与最小二乘随机线性系统可用于测试求解器、估计敏感性以及模拟带噪测量。对于方阵系统 Axb矩阵非奇异时 solve 可以得到精确解。对于超定系统lstsq 寻找使平方残差最小的系数向量。图 3随机超定系统产生观测和拟合的右端项值。rng np.random.default_rng(2026)A rng.normal(size(20, 5))true_x rng.normal(size5)b A true_x rng.normal(scale0.05, size20)estimate, residuals, rank, singular_values np.linalg.lstsq(A, b, rcondNone)residual A estimate - brelative_error np.linalg.norm(residual) / np.linalg.norm(b)print(np.linalg.norm(estimate - true_x))print(relative_error, rank, singular_values)场景方法验证精确方阵系统np.linalg.solve相对残差带噪超定数据np.linalg.lstsq残差范数和系数误差秩亏数据lstsq 或 pinv秩和奇异值截断多个右端项solve(A, B)对每一列检查残差重复随机测试生成矩阵族汇总成功率和误差率测试设计测试数值行为时应生成具有可控条件数的系统。把真实系数向量与测量噪声分开这样才能分别解释系数误差、预测误差和残差误差。# 方阵系统和残差检查A rng.normal(size(5, 5))while np.linalg.matrix_rank(A) 5:A rng.normal(size(5, 5))x_true rng.normal(size5)b A x_truex_estimated np.linalg.solve(A, b)assert np.allclose(x_estimated, x_true)5. 随机投影与降维随机投影使用随机矩阵把高维向量映射到低维空间。在合适的缩放和维度下对于有限数据集点对之间的距离通常可以近似保持。这种方法适合数据草图、近似搜索、可视化和降低计算成本但不能保证所有方向都精确保持。图 4随机投影创建二维视图并展示距离比值的分布。rng np.random.default_rng(2026)X rng.normal(size(500, 100))projection rng.normal(size(100, 12)) / np.sqrt(12)X_reduced X projectionoriginal_distances np.linalg.norm(X[1:] - X[0], axis1)reduced_distances np.linalg.norm(X_reduced[1:] - X_reduced[0], axis1)ratios reduced_distances / original_distancesprint(X.shape, X_reduced.shape)print(ratios.mean(), ratios.std())选择影响问题投影维度控制压缩程度近似误差是否可接受元素分布控制几何和集中性缩放是否合适归一化控制期望距离尺度是否希望平均保持范数随机种子控制一个具体嵌入能否复现该嵌入距离指标定义保持目标欧氏、余弦还是其他指标投影验证在代表性数据上测量距离比值不要默认保持性一定成立。下游行为依赖嵌入时应使用多个随机种子重复。可能时与确定性基线比较投影表示。即使距离看起来可接受低维化仍可能删除重要信号。6. 二次型、随机特征值与 Monte Carlo 代数二次型 xᵀAx 出现在能量、距离、不确定性、优化和概率中。如果 A 对称半正定二次型非负。随机抽样可以估计它的期望并通过特征值探索几何结构。对于标准正态向量 x在合适维度下 E[xᵀAx] trace(A)。图 5随机点根据二次型 xᵀAx 着色。图 6通过重复生成研究随机对称矩阵的特征值分布。图 7x~N(0,I) 时Monte Carlo 估计 E[xᵀAx] 趋近 trace(A)。rng np.random.default_rng(2026)A np.array([[2.0, 0.4], [0.4, 1.5]])X rng.normal(size(100_000, 2))quadratic_values np.einsum(bi,ij,bj-b, X, A, X)estimate quadratic_values.mean()theory np.trace(A)print(estimate, theory)# 随机对称矩阵和特征值M rng.normal(size(6, 6))S (M M.T) / 2values np.linalg.eigvalsh(S)print(values)代数量NumPy 模式解释二次型np.einsum(bi,ij,bj-b, X, A, X)每个随机向量一个标量迹np.trace(A)对角线/特征值之和特征值np.linalg.eigvalsh(S)主缩放方向半正定检查eigvals -tol二次能量非负Monte Carlo 估计values.mean()模拟近似7. 可复现随机代数检查表随机代数实验应被设计为数值测试。定义输入分布、代数操作、预期不变量或理论值、误差指标和容差。然后在多个种子或受控矩阵族上重复以区分偶然成功和稳定行为。检查项问题行动随机状态输入能否重新生成使用 default_rng 并记录种子形状批次、向量和矩阵含义清楚吗断言准确形状有限值输入输出是否有限使用 np.isfinite秩约束是否可识别检查 matrix_rank 和奇异值残差代数结果是否满足方程计算绝对和相对残差条件性噪声是否可能被放大检查 cond 并缩放变量理论是否有已知期望或不变量将模拟与理论比较重复多个种子下是否稳定运行受控种子集合# 可复现随机代数测试摘要rng np.random.default_rng(2026)A rng.normal(size(12, 4))x_true rng.normal(size4)b A x_truex_est, residuals, rank, singular_values np.linalg.lstsq(A, b, rcondNone)report {seed: 2026,A_shape: A.shape,rank: int(rank),condition: float(np.linalg.cond(A)),relative_residual: float(np.linalg.norm(A x_est - b) / np.linalg.norm(b)),coefficient_error: float(np.linalg.norm(x_est - x_true)),}print(report)随机代数最终检查表numpy.random 只负责明确的随机生成确定性变换使用 NumPy 数组代数。明确维度、单位、分布和种子策略。使用 solve 或 lstsq避免不必要的显式求逆。检查秩、奇异值、条件数、残差和已知理论期望。重要实验应跨种子重复并报告平均行为和变异程度。