Jitter-based Random Number Generator

Donanım bağımsız, seed'siz, tekrarlanamaz rastgele sayı üretici. Kaynak: CPU nanosaniye sayacının stride örneklemesi (t mod 1000).

Kullanım: import ujur

# Temel
ujur.randint(1, 6)
ujur.rand(100)
ujur.randn(50)
ujur.normal(170, 10, 100)

# Veri üretimi
X = ujur.pro(200, 4, (0, 1))
X = ujur.pro(200, 4, [(0,1),(10,100),(-5,5),(0,50)])

# mean/std + korelasyon + hedef
X, y = ujur.pro(200, 3,
                ranges=[(0,100),(0,1),(-10,10)],
                mean_std=[(50,10),(0.5,0.1),(0,3)],
                corr=[[1,0.7,0],[0.7,1,0],[0,0,1]],
                target='regression',
                noise=0.1)

"""

import time import math

── İç çekirdek ──────────────────────────────────────────────────────────────

def _collect(n, stride=10): needed = n * stride raw = [time.perf_counter_ns() for _ in range(needed)] return [raw[i] % 1000 for i in range(0, needed, stride)]

def _to_float(L_values): return [v / 1000.0 for v in L_values]

def _box_muller(n): result = [] while len(result) < n: L = _collect(2) u1 = max(L[0] / 1000.0, 1e-10) u2 = L[1] / 1000.0 z0 = math.sqrt(-2 * math.log(u1)) * math.cos(2 * math.pi * u2) z1 = math.sqrt(-2 * math.log(u1)) * math.sin(2 * math.pi * u2) result.append(z0) if len(result) < n: result.append(z1) return result[:n]

def _cholesky(matrix): n = len(matrix) L = [[0.0] * n for _ in range(n)] for i in range(n): for j in range(i + 1): s = sum(L[i][k] * L[j][k] for k in range(j)) if i == j: L[i][j] = math.sqrt(max(matrix[i][i] - s, 1e-12)) else: L[i][j] = (matrix[i][j] - s) / (L[j][j] + 1e-12) return L

def _apply_correlation(Z, L_chol): p = len(Z[0]) return [[sum(L_chol[i][j] * row[j] for j in range(i+1)) for i in range(p)] for row in Z]

def _scale(z, mean, std, low, high, use_range, use_ms): if use_ms: val = mean + std * z else: val = z if use_range: if use_ms: val = max(low, min(high, val)) else: t = max(0.0, min(1.0, (z + 3.0) / 6.0)) val = low + t * (high - low) return val

def _resolve_ranges(p, ranges): """Aralıkları p uzunluğuna tamamla — eksik olanlar son aralığı alır.""" if ranges is None: return None if isinstance(ranges, tuple) and not isinstance(ranges[0], tuple): return [ranges] * p rng = list(ranges) if len(rng) < p: rng += [rng[-1]] * (p - len(rng)) return rng[:p]

── Public API ────────────────────────────────────────────────────────────────

def randint(low, high, size=1): """ [low, high] arasında tam sayı üret.

Örnek
-----
ujur.randint(1, 6)
ujur.randint(0, 100, 10)
"""
if low > high:
    raise ValueError("low > high olamaz.")
span = high - low + 1
result = [low + (v % span) for v in _collect(size)]
return result[0] if size == 1 else result

def rand(size=1): """ [0.0, 1.0) arasında uniform float üret.

Örnek
-----
ujur.rand()
ujur.rand(100)
"""
result = _to_float(_collect(size))
return result[0] if size == 1 else result

def randn(size=1): """ Standart normal dağılım (mean=0, std=1).

Örnek
-----
ujur.randn()
ujur.randn(50)
"""
result = _box_muller(size)
return result[0] if size == 1 else result

def uniform(low=0.0, high=1.0, size=1): """ [low, high) arasında uniform float üret.

Örnek
-----
ujur.uniform(-1, 1, 20)
"""
floats = _to_float(_collect(size))
result = [low + f * (high - low) for f in floats]
return result[0] if size == 1 else result

def normal(mean=0.0, std=1.0, size=1): """ Belirtilen mean ve std ile normal dağılım.

Örnek
-----
ujur.normal(170, 10, 100)
"""
result = [mean + std * z for z in _box_muller(size)]
return result[0] if size == 1 else result

def choice(population, size=1, replace=True): """ Bir listeden rastgele eleman seç.

Örnek
-----
ujur.choice(['A','B','C'], 10)
ujur.choice(range(100), 5, replace=False)
"""
pop = list(population)
n = len(pop)
if not replace and size > n:
    raise ValueError("replace=False iken size > len(population) olamaz.")
if replace:
    result = [pop[randint(0, n-1)] for _ in range(size)]
else:
    pool = pop[:]
    for i in range(size):
        j = randint(i, n-1)
        pool[i], pool[j] = pool[j], pool[i]
    result = pool[:size]
return result[0] if size == 1 else result

def shuffle(lst): """ Listeyi yerinde karıştır (in-place).

Örnek
-----
data = [1,2,3,4,5]
ujur.shuffle(data)
"""
n = len(lst)
for i in range(n-1, 0, -1):
    j = randint(0, i)
    lst[i], lst[j] = lst[j], lst[i]

def pro(n, p, ranges=None, *, mean_std=None, corr=None, target=None, noise=0.1, save=False): """ n gözlem, p feature veri üret.

Parametreler
------------
n        : int         — gözlem sayısı
p        : int         — feature sayısı
ranges   : tuple veya list[tuple]
           (0,1)                    → tüm featurelar 0-1
           [(0,1),(10,100),(-5,5)]  → her feature farklı aralık
           Eksik featurelar son aralığı miras alır
mean_std : list[tuple] — her feature için (mean, std)
           Eksik olanlar (0,1) alır
corr     : list[list]  — p x p korelasyon matrisi
target   : str veya None
           None           → sadece X döner
           'regression'   → (X, y) döner, y sürekli
           'classification' → (X, y) döner, y 0/1
noise    : float — hedef gürültüsü (sadece target!=None ise)

Döndürür
--------
X            : list[list[float]]  — (n x p)
(X, y) tuple : target belirtilmişse

Örnek
-----
# Sadece X
X = ujur.pro(200, 4, (0, 1))
X = ujur.pro(200, 4, [(0,1),(10,100),(-5,5)])

# mean/std ile
X = ujur.pro(200, 3, mean_std=[(50,5),(170,7),(70,10)])

# Korelasyonlu
X = ujur.pro(200, 3, corr=[[1,0.8,0.2],[0.8,1,0.1],[0.2,0.1,1]])

# Hedef ile (regresyon)
X, y = ujur.pro(200, 3, ranges=(0,1), target='regression', noise=0.1)

# Hepsi birden
X, y = ujur.pro(200, 3,
                ranges=[(0,100),(0,1),(-10,10)],
                mean_std=[(50,10),(0.5,0.1),(0,3)],
                corr=[[1,0.7,0],[0.7,1,0],[0,0,1]],
                target='regression',
                noise=0.2)
"""
rng = _resolve_ranges(p, ranges)
use_range = rng is not None
use_ms = mean_std is not None

if use_ms:
    ms = list(mean_std)
    if len(ms) < p:
        ms += [(0.0, 1.0)] * (p - len(ms))
else:
    ms = [(0.0, 1.0)] * p

# Bağımsız standart normal matris (n x p)
cols = [_box_muller(n) for _ in range(p)]
Z = [[cols[j][i] for j in range(p)] for i in range(n)]

# Korelasyon uygula
if corr is not None:
    if isinstance(corr, (int, float)):
        corr_matrix = [[1.0 if i == j else float(corr) for j in range(p)] for i in range(p)]
    else:
        corr_matrix = corr
    L_chol = _cholesky(corr_matrix)
    Z = _apply_correlation(Z, L_chol)

# Her feature'ı dönüştür
X = []
for row in Z:
    new_row = []
    for i in range(p):
        mean_i, std_i = ms[i]
        low_i  = rng[i][0] if use_range else None
        high_i = rng[i][1] if use_range else None
        val = _scale(row[i], mean_i, std_i, low_i, high_i, use_range, use_ms)
        new_row.append(round(val, 6))
    X.append(new_row)

if target is None:
    if save:
        token = _save_data(X)
        return X, token
    return X

# Hedef üret
coeffs = [uniform(-2, 2) for _ in range(p)]
intercept = uniform(-1, 1)

if target == 'regression':
    y = []
    for row in X:
        val = intercept + sum(c * x for c, x in zip(coeffs, row))
        val += normal(0, noise * 3)
        y.append(round(val, 4))

elif target == 'classification':
    scores = [intercept + sum(c*x for c,x in zip(coeffs,row)) for row in X]
    mn, mx = min(scores), max(scores)
    y = [1 if 1/(1+math.exp(-((s-mn)/(mx-mn+1e-10)*6-3))) > 0.5 else 0
         for s in scores]
else:
    raise ValueError("target 'regression', 'classification' veya None olmalı.")

if save:
    token = _save_data(X, y)
    return X, y, token
return X, y

def reg(n, ranges=None, *, params, noise=0.1, save=False): """ Belirtilen regresyon parametrelerine göre sentetik veri üret.

y = params[0] + params[1]*X1 + params[2]*X2 + ... + e

Parametreler
------------
n      : int          — gözlem sayısı
ranges : tuple/list   — feature aralığı (opsiyonel)
         (0,1)                   → tüm featurelar 0-1
         [(0,1),(10,100),(-5,5)] → her feature farklı aralık
params : list         — [intercept, b1, b2, ..., bp]
         İlk eleman intercept, geri kalanlar katsayılar
         Feature sayısı otomatik: p = len(params) - 1
noise  : float        — hata terimi std (varsayılan 0.1)

Döndürür
--------
X : list[list[float]]  — (n x p) feature matrisi
y : list[float]        — hedef değişken

Örnek
-----
# y = 8 + 0.2*X1 + 3*X2 + 5*X3 + e,  X ∈ (0,1)
X, y = ujur.reg(200, (0,1), params=[8, 0.2, 3, 5])

# Farklı aralıklar + gürültü
X, y = ujur.reg(200, [(0,100),(0,1),(-5,5)],
                params=[10, 0.5, 2, -1], noise=0.5)

# Aralık belirtmeden (standart normal)
X, y = ujur.reg(200, params=[3, 1.5, -2], noise=0.2)
"""
intercept = params[0]
coeffs    = params[1:]
p         = len(coeffs)

if p == 0:
    raise ValueError("params en az 2 eleman içermeli: [intercept, b1, ...]")

rng = _resolve_ranges(p, ranges) if ranges is not None else None
use_range = rng is not None

# Bağımsız standart normal matris (n x p)
cols = [_box_muller(n) for _ in range(p)]
Z = [[cols[j][i] for j in range(p)] for i in range(n)]

# Feature'ları aralığa dönüştür
X = []
for row in Z:
    new_row = []
    for i in range(p):
        if use_range:
            low_i, high_i = rng[i]
            t = max(0.0, min(1.0, (row[i] + 3.0) / 6.0))
            val = low_i + t * (high_i - low_i)
        else:
            val = row[i]
        new_row.append(round(val, 6))
    X.append(new_row)

# y = intercept + b1*X1 + b2*X2 + ... + e
y = []
for row in X:
    val = intercept + sum(b * x for b, x in zip(coeffs, row))
    val += normal(0, noise)
    y.append(round(val, 4))

if save:
    token = _save_data(X, y)
    return X, y, token
return X, y

def info(): """Kütüphane hakkında bilgi yazdır.""" print("ujur v1.0 — Jitter-based RNG") print("Kaynak : CPU nanosaniye sayacı (perf_counter_ns)") print("Yöntem : Stride örnekleme (her 10. timestamp) + t mod 1000") print("Seed : YOK — her çalıştırmada farklı sonuç") print("Fonksiyonlar:") print(" Temel : randint, rand, randn, uniform, normal, choice, shuffle") print(" Veri : pro(n, p, ranges, mean_std, corr, target, noise)")

def save_data(X, y=None): import json ts = time.strftime("%Y%m%d%H%M%S") uid = ''.join(str(v) for v in collect(4))[:6] token = f"ujur{ts}_{uid}" data = {"token": token, "X": X, "y": y} with open(token + ".json", "w") as f: json.dump(data, f) print(f"Kaydedildi → {token}.json") return token

def save(X, y=None): """ Üretilen veriyi dosyaya kaydet, token döndür.

Döndürür
--------
token : str — kayıt dosyasının adı (yüklemek için kullan)

Örnek
-----
token = ujur.save(X, y)
token = ujur.save(X)
"""
return _save_data(X, y)

def load(token): """ Token ile kaydedilmiş veriyi geri yükle.

Örnek
-----
X, y = ujur.load(token)
X, y = ujur.load("ujur_20260416_143022_a3f7")
"""
import json
with open(token + ".json", "r") as f:
    data = json.load(f)
print(f"Yüklendi ← {token}.json")
return data["X"], data["y"]