当前位置：首页 > 文章列表 > Golang > Go教程 > Go Gonum distuv 怎样为重复抽样设置随机源

Go Gonum distuv 怎样为重复抽样设置随机源

来源：17golang原创 2026-10-31 00:13:47 0浏览收藏

我在给概率模拟补回归用例时，最先遇到的不是分布公式，而是同一段 Gonum 代码每次抽样结果都不一样。解决办法是把随机源当成分布对象的一部分管理：用固定 seed 创建 math/rand.Source，再注入 distuv；需要重新回放时，重新创建同样 seed 的源和分布对象。

一句话结论：普通结构体分布（例如 distuv.Normal）可以直接设置导出的 Src；distuv.Categorical 应在 NewCategorical 中传入新的 source。一个 source 最好只服务一个需要独立回放的分布。

官方地址：https://pkg.go.dev/gonum.org/v1/gonum/stat/distuv

先把“可重复”拆成三个接口决定

这件事实际由三个层次组成：seed 决定伪随机源的初始状态，Src 决定 distuv 从哪里取原始随机数，Rand() 决定何时消耗源的状态。只固定一个全局 seed，而让多个分布共享同一条取样序列，仍然可能因调用顺序改变而得到不同结果。

Go Gonum distuv 中 seed、随机源、Normal 分布和 Rand 调用的静态关系说明图 — 图1：结构说明图，展示 seed、独立随机源、Normal 分布与 Rand 调用之间的归属关系，不是运行截图。

因此我的默认决策是：同一条实验序列使用一个明确的 seed；不同实验或不同分布使用不同的 rand.NewSource；回放时从同样的初始条件重新构造对象。

Normal 直接注入固定随机源

distuv.Normal 的结构体包含 Mu、Sigma 和 Src rand.Source。这让测试代码可以把随机源写在对象初始化处，避免调用方隐式依赖全局随机状态。

package main

import (
	"fmt"
	"math/rand"

	"gonum.org/v1/gonum/stat/distuv"
)

func normalSamples(seed int64, count int) []float64 {
	// 固定 seed 只用于模拟、测试或回归样例，不用于安全令牌。
	src := rand.NewSource(seed)
	dist := distuv.Normal{
		Mu:    10,
		Sigma: 2,
		Src:   src, // 让 Normal 明确持有这条随机序列。
	}

	values := make([]float64, count)
	for i := range values {
		// 每次 Rand 都会继续消耗同一个 source 的状态。
		values[i] = dist.Rand()
	}
	return values
}

func main() {
	first := normalSamples(20261031, 4)
	second := normalSamples(20261031, 4)
	fmt.Println(first)
	fmt.Println(second)
}

两次调用都从 seed 20261031 创建新源，所以它们代表两次独立回放。不要把“序列相同”理解成每次调用 Rand 都返回同一个值；同一个对象连续抽样时，结果会沿着 source 状态向前推进。

不同分布不要无意间共享一条序列

共享 source 并不会自动让两个分布拥有相同的实验语义。Normal 先抽一次还是 Categorical 先抽一次，会改变同一 source 的当前位置，最终两个对象都可能得到不同后续样本。若它们需要各自可复现，给它们分别派生并保存 seed。

package main

import (
	"math/rand"

	"gonum.org/v1/gonum/stat/distuv"
)

func buildDistributions(seed int64) (distuv.Normal, distuv.Categorical) {
	// 每个分布使用独立 source，避免调用顺序成为隐藏输入。
	normal := distuv.Normal{
		Mu:    0,
		Sigma: 1,
		Src:   rand.NewSource(seed),
	}
	// Categorical 通过构造函数接收 source，权重必须非负且至少一个为正。
	categorical := distuv.NewCategorical(
		[]float64{0.2, 0.5, 0.3},
		rand.NewSource(seed+1),
	)
	return normal, categorical
}

这里的 seed+1 只是示例中的简单分流规则。生产代码可以用配置文件中的实验编号映射 seed，但要把映射写进测试说明，避免以后改动对象顺序就改变结果。

Go Gonum Categorical 权重、NewCategorical、独立随机源和 Rand 结果关系的静态结构说明图 — 图2：结构说明图，展示 Categorical 的权重、构造函数、独立随机源和 Rand 取样关系，不是运行截图。

需要回放时重建，而不是假设 source 能随意回滚

math/rand.Source 表示可推进的伪随机状态。对文章中的两个例子，最稳妥的回放方式都是重新创建 source：Normal 重新赋值 Src，Categorical 重新调用 NewCategorical。这样回放边界清晰，也不会把一个已经消耗过的对象误当成初始对象。

// replayNormal 从同一个初始 seed 重新构造分布，得到可回放的起点。
func replayNormal(seed int64) distuv.Normal {
	return distuv.Normal{
		Mu:    10,
		Sigma: 2,
		Src:   rand.NewSource(seed),
	}
}

// replayCategorical 重新建对象，因为 Categorical 的内部 source 由构造函数管理。
func replayCategorical(seed int64) distuv.Categorical {
	weights := []float64{0.2, 0.5, 0.3}
	return distuv.NewCategorical(weights, rand.NewSource(seed))
}

要注意，重建只能保证相同代码、相同参数、相同 source 初始状态下的回放关系；如果中间多调用了一次 Rand()，后续序列自然会向前移动。