有没有一种有效的方法可以在 numpy 数组中创建 N 次伯努利试验的二项式实验？

如何解决有没有一种有效的方法可以在 numpy 数组中创建 N 次伯努利试验的二项式实验？

假设我有一枚硬币，其正面朝上的概率为 P。要进行的实验是继续抛硬币 x 次。这个实验要重复1000次。

问题是否有一种高效/矢量化的方法来生成随机 1（概率为 P）和 0（概率为 1-P）的数组？

如果我尝试这样的事情：

np.full(10,rng().choice((0,1),p= [.3,.7]))

整个数组都填充了相同的选择。我见过涉及固定的 0 与 1 比率的解决方案。

a = np.ones(n+m)
a[:m] = 0
np.random.shuffle(a) 

但是，我不确定如何通过这种设置来保持实验的随机性。

目前我只是按如下方式循环遍历每次迭代，但是一旦实验数量变大，它就会非常慢。

（实际实验涉及在两个连续的头被翻转时终止每次试验，这就是代码中存在 while 循环的原因。为了使问题具体化，我不想在这里解决这个问题。）

>

Set = [0,1]
T = np.ones(Episodes)
for i in range(Episodes):
    a = rng().choice(Set,p=[(1 - p),p])
    counter = 1
    while True:
        b = rng().choice(Set,p=[(1-p),p])
        counter += 1
        if (a == 1) & (b == 1):
            break
        a = b
    T[i] = counter

如有任何见解，将不胜感激，谢谢！

解决方法

@Quang Hong 和@Kevin 提供的答案如以上评论中所列。只需使用 default_rng() 重新发布，以便以后更容易参考。但他们才是真正的英雄。

from numpy import default_rng as rng 

rng().binomial(1,p = .7,size=(10,10))

rng().choice((0,1),p = [.3,.7],10))