การแจกแจงแบบสุ่ม
เพื่อมอบความยืดหยุ่นสูงสุดในการสุ่มสร้างค่า เราจึงได้นิยามเทรต Distribution ขึ้นมาดังนี้:
use rand::Rng;
// a producer of data of type T:
pub trait Distribution<T> {
// the key function:
fn sample<R: Rng + ?Sized>(&self, rng: &mut R) -> T;
// a convenience function defined using sample:
fn sample_iter<R>(self, rng: R) -> rand::distr::Iter<Self, R, T>
where
Self: Sized,
R: Rng,
{
// [has a default implementation]
todo!()
}
}
การอิมพลีเมนต์เทรต Distribution ในทางคณิตศาสตร์ก็คือ การแจกแจงความน่าจะเป็น (Probability distribution): นั่นคือการจับคู่เชื่อมโยงระหว่างเหตุการณ์กับค่าความน่าจะเป็นที่จะเกิดขึ้น (เช่น สำหรับการทอยลูกเต๋า P(x = i) = ⅙ หรือสำหรับการแจกแจงแบบ Normal ที่มีค่าเฉลี่ย μ=0, P(x > 0) = ½)
ข้อควรทราบคือ แม้ว่าการแจกแจงความน่าจะเป็นในทางสถิติจะมีคุณสมบัติทางคณิตศาสตร์มากมาย เช่น ค่าเฉลี่ย (mean), ฟังก์ชันความหนาแน่นความน่าจะเป็น (PDF) ตลอดจนการสุ่มตัวอย่างผ่านการหาค่าผกผันของฟังก์ชันการแจกแจงสะสม (CDF) แต่สำหรับขอบเขตของ Rand เรามุ่งเน้นเฉพาะ การสุ่มดึงค่าตัวอย่าง (sampling) เท่านั้น หากคุณต้องการใช้งานคุณสมบัติทางคณิตศาสตร์และการวิเคราะห์สถิติเชิงลึกเหล่านั้น ขอแนะนำให้พิจารณาเลือกใช้เครต statrs แทน
ไลบรารี Rand มีการอิมพลีเมนต์การแจกแจงรูปแบบต่างๆ ไว้มากมาย โดยในบทนี้เราจะครอบคลุมการแจกแจงที่เป็นที่นิยมที่สุด แต่หากต้องการดูรายการการแจกแจงทั้งหมด สามารถศึกษาเพิ่มเติมได้จากโมดูล distr และเครต rand_distr
การแจกแจงแบบสม่ำเสมอ
การแจกแจงรูปแบบที่ตรงไปตรงมาที่สุดคือแบบที่เราได้กล่าวถึงไปแล้ว: นั่นคือรูปแบบที่ทุกช่วงย่อยขนาดเท่ากันจะมีโอกาสเท่ากันที่จะเป็นค่าสุ่มถัดไป ซึ่งเรียกว่าการแจกแจงแบบ สม่ำเสมอ (Uniform)
ในความเป็นจริง Rand ได้จัดเตรียมการแจกแจงแบบสม่ำเสมอไว้หลายรูปแบบ เพื่อรองรับช่วงค่าที่แตกต่างกัน:
StandardUniformไม่ต้องใช้พารามิเตอร์ และสุ่มค่าแบบสม่ำเสมอตาม ชนิดข้อมูล โดยRng::randomให้ทางลัดไปยังการแจกแจงนี้Uniformถูกกำหนดพารามิเตอร์ด้วยUniform::new(low, high)(รวมlowไม่รวมhigh) หรือUniform::new_inclusive(low, high)(รวมทั้งสองค่า) และสุ่มค่าแบบสม่ำเสมอภายในช่วงนี้Rng::random_rangeเป็นเมธอดอำนวยความสะดวกที่นิยามบนUniform::sample_singleซึ่งปรับแต่งสำหรับการใช้งานแบบสุ่มครั้งเดียวAlphanumericสุ่มแบบสม่ำเสมอเฉพาะค่าcharในกลุ่ม0-9A-Za-zOpen01และOpenClosed01ให้ช่วงการสุ่มทางเลือกสำหรับ ชนิดข้อมูลทศนิยม (ดูด้านล่าง)
การสุ่มแบบสม่ำเสมอตามชนิดข้อมูล
มาดูการแจกแจงตามชนิดข้อมูลกัน:
-
สำหรับ
boolStandardUniformสุ่มแต่ละค่าด้วยความน่าจะเป็น 50% -
สำหรับ
Option<T>การแจกแจงStandardUniformสุ่มNoneด้วย ความน่าจะเป็น 50% มิฉะนั้นจะสุ่มSome(value)ตามชนิดข้อมูลของมัน -
สำหรับจำนวนเต็ม (
u8จนถึงu128,usizeและชนิดi*ต่างๆ)StandardUniformสุ่มจากค่าที่เป็นไปได้ทั้งหมด ขณะที่Uniformสุ่มจากช่วงที่กำหนดพารามิเตอร์ -
สำหรับ
NonZeroU8และชนิด “ไม่เป็นศูนย์” อื่นๆStandardUniformสุ่มแบบสม่ำเสมอ จากค่าที่ไม่เป็นศูนย์ทั้งหมด (วิธีปฏิเสธ) -
ชนิดจำนวนเต็ม
Wrapping<T>ถูกสุ่มเหมือนชนิดจำนวนเต็มที่สอดคล้องกัน โดยการแจกแจงStandardUniform -
สำหรับทศนิยม (
f32,f64)StandardUniformสุ่มจากช่วงครึ่งเปิด[0, 1)ด้วยความแม่นยำ 24 หรือ 53 บิต (สำหรับf32และf64ตามลำดับ)OpenClosed01สุ่มจากช่วงครึ่งเปิด(0, 1]ด้วยความแม่นยำ 24 หรือ 53 บิตOpen01สุ่มจากช่วงเปิด(0, 1)ด้วยความแม่นยำ 23 หรือ 52 บิตUniformสุ่มจากช่วงที่กำหนดด้วยความแม่นยำ 23 หรือ 52 บิต
-
สำหรับชนิด
charการแจกแจงStandardUniformสุ่มจากรหัส Unicode ทั้งหมดที่มีอย่างสม่ำเสมอ; หลายค่าในนั้นอาจพิมพ์ไม่ได้ (ขึ้นอยู่กับการรองรับฟอนต์)Alphanumericสุ่มจาก เฉพาะ a-z, A-Z และ 0-9 แบบสม่ำเสมอ -
สำหรับทูเพิลและอาร์เรย์ แต่ละสมาชิกถูกสุ่มตามข้างต้นในกรณีที่รองรับ การแจกแจง
StandardUniformและUniformต่างรองรับชนิดข้อมูลเหล่านี้บางส่วน (ไม่เกินทูเพิล 12 สมาชิกและอาร์เรย์ 32 สมาชิก) ซึ่งรวมถึงทูเพิลว่าง()และอาร์เรย์ว่างด้วย เมื่อใช้rustc≥ 1.51 ให้เปิดใช้ฟีเจอร์min_const_genเพื่อรองรับ อาร์เรย์ที่มีสมาชิกมากกว่า 32 ตัว -
สำหรับชนิด SIMD แต่ละสมาชิกถูกสุ่มตามข้างต้น สำหรับ
StandardUniformและUniform(สำหรับแบบหลัง พารามิเตอร์lowและhighก็เป็น ชนิด SIMD เช่นกัน จึงสุ่มจากหลายช่วงพร้อมกันได้อย่างมีประสิทธิผล) การรองรับ SIMD ต้องใช้ฟีเจอร์แฟล็กsimd_supportและrustcเวอร์ชัน nightly -
สำหรับ enum คุณต้อง implement การสุ่มแบบสม่ำเสมอเอง ตัวอย่างเช่น คุณอาจใช้วิธีต่อไปนี้:
use rand::{Rng, RngExt, distr::{Distribution, StandardUniform}}; pub enum Food { Burger, Pizza, Kebab, } impl Distribution<Food> for StandardUniform { fn sample<R: Rng + ?Sized>(&self, rng: &mut R) -> Food { let index: u8 = rng.random_range(0..3); match index { 0 => Food::Burger, 1 => Food::Pizza, 2 => Food::Kebab, _ => unreachable!(), } } }
การแจกแจงแบบไม่สม่ำเสมอ
เครต rand ให้เฉพาะการแจกแจงแบบไม่สม่ำเสมอสองแบบเท่านั้น:
- การแจกแจง
Bernoulliเพียงแค่สร้างค่าบูลีน โดยความน่าจะเป็นที่จะสุ่มได้trueนั้นเป็นค่าคงที่ (Bernoulli::new(0.5)) หรืออัตราส่วน (Bernoulli::from_ratio(1, 6)) - การแจกแจง
WeightedIndexใช้สุ่มจากลำดับของค่าที่ถ่วงน้ำหนักได้ ดูส่วน Sequences
การแจกแจงแบบไม่สม่ำเสมออื่นๆ อีกมากมีให้ในเครต rand_distr
จำนวนเต็ม
การแจกแจง Binomial เกี่ยวข้องกับ Bernoulli ตรงที่มันจำลองการทดลองอิสระ n ครั้ง แต่ละครั้งมีความน่าจะเป็น p ที่จะสำเร็จ แล้วนับจำนวนครั้งที่สำเร็จ
โปรดทราบว่าสำหรับ n ที่มาก การ implement การแจกแจง Binomial จะเร็วกว่าการสุ่ม n ครั้งทีละครั้งมาก
การแจกแจง Poisson แสดงจำนวนเหตุการณ์ที่คาดว่าจะเกิดขึ้นภายในช่วงเวลาคงที่ โดยที่เหตุการณ์เกิดขึ้นด้วยอัตราคงที่ λ การสุ่มจากการแจกแจง Poisson จะสร้างค่า Float เพราะการคำนวณการสุ่มใช้ Float และเราเลือกที่จะให้ผู้ใช้เป็นผู้ตัดสินใจเรื่องชนิดจำนวนเต็ม รวมถึงการแปลงที่เกี่ยวข้องซึ่งอาจสูญเสียข้อมูลและ panic ได้ด้วยตนเอง ตัวอย่างเช่น ค่า u64 หาได้ด้วย rng.sample(Poisson) as u64
โปรดทราบว่าการแปลงทศนิยมเป็นจำนวนเต็มที่อยู่นอกช่วงด้วย as ให้ผลเป็นพฤติกรรมที่นิยามไม่ได้สำหรับ Rust <1.45 และเป็นการแปลงแบบอิ่มตัวสำหรับ Rust >=1.45
การแจกแจงแบบไม่สม่ำเสมอต่อเนื่อง
การแจกแจงต่อเนื่องจำลองตัวอย่างที่ดึงมาจากเส้นจำนวนจริง ℝ หรือในบางกรณีเป็นจุดจากมิติที่สูงกว่า (ℝ², ℝ³ ฯลฯ) เรามีการ implement สำหรับเอาต์พุต f64 และ f32 ในกรณีส่วนใหญ่ แม้ว่าปัจจุบันการ implement สำหรับ f32 เพียงลดความแม่นยำของตัวอย่าง f64
การแจกแจงแบบเอกซ์โพเนนเชียล Exp จำลองเวลาจนถึงการสลายตัว โดยสมมติว่าอัตราการสลายตัวคงที่ (กล่าวคือ การสลายตัวแบบเอกซ์โพเนนเชียล)
การแจกแจง Normal (หรือที่รู้จักกันในชื่อการแจกแจงแบบเกาส์) จำลองการสุ่มจากการแจกแจง Normal (“เส้นโค้งระฆัง”) ด้วยค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานที่กำหนด LogNormal เกี่ยวข้องกัน: สำหรับตัวอย่าง X จากการแจกแจงล็อกนอร์มัล log(X) จะแจกแจงแบบนอร์มัล; สิ่งนี้ทำให้การแจกแจงนอร์มัล “เบ้” เพื่อหลีกเลี่ยงค่าลบและมีหางบวกยาว
การแจกแจง UnitCircle และ UnitSphere จำลองการสุ่มแบบสม่ำเสมอจากเส้นรอบวงกลมหรือพื้นผิวทรงกลม
การแจกแจง Cauchy (หรือที่รู้จักกันในชื่อการแจกแจง Lorentz) คือการแจกแจงของจุดตัดแกน x ของรังสีจากจุด (x0, γ) ที่มีมุมแจกแจงแบบสม่ำเสมอ
การแจกแจง Beta เป็นการแจกแจงความน่าจะเป็นแบบสองพารามิเตอร์ ซึ่งค่าเอาต์พุตอยู่ระหว่าง 0 กับ 1 การแจกแจง Dirichlet เป็นการวางนัยทั่วไปเป็นจำนวนพารามิเตอร์บวกใดๆ