Python 第三方模块之 numpy.random - 随机抽样

本文概述

随机数是NumPy库中存在的模块。该模块包含用于生成随机数的功能。该模块包含一些简单的随机数据生成方法, 一些排列和分布函数以及随机生成器函数。

简单随机数据

简单随机数据具有以下功能：

1)p.random.rand(d0, d1, …, dn)

随机模块的此功能用于生成给定形状的随机数或随机数。

1
2
3
4
import numpy as np
a=np.random.rand(5, 2)
a
# array([[0.74710182, 0.13306399], [0.01463718, 0.47618842], [0.98980426, 0.48390004], [0.58661785, 0.62895758], [0.38432729, 0.90384119]])

2)np.random.randn(d0, d1, …, dn)

随机模块的此功能从”标准正态”分布返回样本。

1
2
3
4
5
6
7
import numpy as np
a=np.random.randn(2, 2)
a
# array([[ 1.43327469, -0.02019121], [ 1.54626422, 1.05831067]])
b=np.random.randn()
b
# -0.3080190768904835

3)np.random.randint(low [, high, size, dtype])

random模块的此功能用于生成从inclusive(低)到exclusive(高)的随机整数。

1
2
3
4
import numpy as np
a=np.random.randint(3, size=10)
a
# array([1, 1, 1, 2, 0, 0, 0, 0, 0, 0])

4)np.random.random_integers(low [, high, size])

随机模块的此功能用于生成介于低和高之间的np.int类型的随机整数。

1
2
3
4
5
6
7
import numpy as np
a=np.random.random_integers(3)
a  # 2
b=type(np.random.random_integers(3))
b  # <type 'numpy.int32'>
c=np.random.random_integers(5, size=(3, 2))
c  # array([[1, 1], [2, 5], [1, 3]])

5)np.random.random_sample([size])

随机模块的此功能用于在半开间隔[0.0, 1.0)中生成随机浮点数。

1
2
3
4
5
6
7
import numpy as np
a=np.random.random_sample()
a  # 0.09250360565571492
b=type(np.random.random_sample())
b  # <type 'float'>
c=np.random.random_sample((5, ))
c  # array([0.34665418, 0.47027209, 0.75944969, 0.37991244, 0.14159746])

6)np.random.random([size])

随机模块的此功能用于在半开间隔[0.0, 1.0)中生成随机浮点数。与np.random.random_sample完全一样

1
2
3
4
5
6
7
import numpy as np
a=np.random.random()
a  # 0.008786953974334155
b=type(np.random.random())
b  # <type 'float'>
c=np.random.random((5, ))
c  # array([0.05530122, 0.59133394, 0.17258794, 0.6912388 , 0.33412534])

7)np.random.ranf([size])

随机模块的此功能用于在半开间隔[0.0, 1.0)中生成随机浮点数。与np.random.random_sample完全一样

8)np.random.sample([size])

随机模块的此功能用于在半开间隔[0.0, 1.0)中生成随机浮点数。与np.random.random_sample完全一样

9)np.random.choice(a [, size, replace, p])

生成一个随机样本，从给定的一维数组生成随机样本。

1
2
3
4
5
6
7
8
9
10
import numpy as np
a=np.random.choice(5, 3)
a  # array([0, 3, 4])

b=np.random.choice(5, 3, p=[0.2, 0.1, 0.4, 0.2, 0.1])
b  # array([2, 2, 2], dtype=int64)

aa_milne_arr = [‘pooh‘, ‘rabbit‘, ‘piglet‘, ‘Christopher‘]
c=np.random.choice(aa_milne_arr, 5, p=[0.5, 0.1, 0.1, 0.3])
c  # array([‘pooh‘, ‘pooh‘, ‘pooh‘, ‘Christopher‘, ‘piglet‘],dtype=‘|S11‘)

10)np.random.bytes(长度)

随机模块的此功能用于生成随机字节。

1
2
3
import numpy as np
a=np.random.bytes(7)
a  # 'nQ\x08\x83\xf9\xde\x8a'

随机数生成器

1)np.random.RandomStatee()

是一个伪随机数生成器, 此命令将会产生一个随机状态种子,在该状态下生成的随机序列（正态分布）一定会有相同的模式。

伪随机数是用确定性的算法计算出来的似来自[0,1]均匀分布的随机数序列。并不真正的随机，但具有类似于随机数的统计特征，如均匀性、独立性等。（来自百度）

但是，不同的随机种子状态将会有不同的数据生成模式。这一特点在随机数据生成的统计格式控制显得很重要。

因为是伪随机数，所以必须在rng这个变量下使用，如果不这样做，就得不到相同的随机数组。

1
2
3
4
5
6
7
8
9
10
11
12
rng = np.random.RandomState(0)
a = rng.rand(4)

rng = np.random.RandomState(0)
b = rng.rand(4)

print(a)
print(b)

# 输出
[0.5488135  0.71518937 0.60276338 0.54488318]
[0.5488135  0.71518937 0.60276338 0.54488318]

2)np.random.seed([seed])

随机数种子，使得每次生成的随机数相同。

设置seed()里的数字就相当于设置了一个盛有随机数的“聚宝盆”，一个数字代表一个“聚宝盆”。

当在seed()的括号里设置相同的seed，“聚宝盆”就是一样的，当然每次拿出的随机数就会相同。

如果不设置seed，则每次会生成不同的随机数，但是有时候明明设置了seed()没有变，生成的随机数组还是不同。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
np.random.seed(0)
a = np.random.rand(10)
b = np.random.rand(10)
print(a)
print(b)

#输出结果
[0.5488135  0.71518937 0.60276338 0.54488318 0.4236548  0.64589411
 0.43758721 0.891773   0.96366276 0.38344152]
[0.79172504 0.52889492 0.56804456 0.92559664 0.07103606 0.0871293
 0.0202184  0.83261985 0.77815675 0.87001215]


np.random.seed(0)
a = np.random.rand(4,3)

np.random.seed(0)
b =  np.random.rand(4,3)

print(a)
print(b)

#输出
[[0.5488135  0.71518937 0.60276338]
 [0.54488318 0.4236548  0.64589411]
 [0.43758721 0.891773   0.96366276]
 [0.38344152 0.79172504 0.52889492]]

[[0.5488135  0.71518937 0.60276338]
 [0.54488318 0.4236548  0.64589411]
 [0.43758721 0.891773   0.96366276]
 [0.38344152 0.79172504 0.52889492]]

3)np.random.get_state()

保存状态，记录下数组被打乱的操作（数组如何被打乱的）

4)np.random.set_state(state)

接收get_state()返回的值，按照get_state()打乱的方式对新数组进行同样的操作

1
2
3
4
5
6
7
8
9
10
11
12
import numpy as np
train_data = [1, 2, 3, 4, 5, 6]
train_label = ['a', 'b', 'c', 'd', 'e', 'f']
cur_state = np.random.get_state()
np.random.shuffle(train_data)
print(train_data) 
np.random.set_state(cur_state)
np.random.shuffle(train_label)
print(train_label)

# [3, 4, 6, 5, 1, 2]
# ['c', 'd', 'f', 'e', 'a', 'b']

排列

1)np.random.shuffle()

此功能用于通过改组其内容就地修改序列。

1
2
3
4
5
import numpy as np
a=np.arange(12)
a  # array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11])
np.random.shuffle(a)
a  # array([10, 3, 2, 4, 5, 8, 0, 9, 1, 11, 7, 6])

2)np.random.permutation()

此函数随机置换序列或返回置换范围。

1
2
3
4
5
6
7
8
9
10
11
12
import numpy as np
np.random.permutation(12)
# array([ 8, 7, 3, 11, 6, 0, 9, 10, 2, 5, 4, 1])

np.random.permutation([1, 4, 9, 12, 15])
# array([15,  1,  9,  4, 12])

arr = np.arange(9).reshape((3, 3))
np.random.permutation(arr)
# array([[6, 7, 8],
       [0, 1, 2],
       [3, 4, 5]])

发行版

有以下排列功能：

1)beta(a, b [, size])

此功能用于从Beta分布中抽取样本。

例：

1
2
3
4
5
6
7
def setup(self):
        self.dist = dist.beta
        self.cargs = []
        self.ckwd = dict(alpha=2, beta=3)
        self.np_rand_fxn = numpy.random.beta
        self.np_args = [2, 3]
        self.np_kwds = dict()

2)binomial(n, p [, size])

此函数用于从二项分布中抽取样本。

例：

1
2
3
4
import numpy as np
n, p = 10, .6
s1= np.random.binomial(n, p, 10)
s1

输出

1
array([6, 7, 7, 9, 3, 7, 8, 6, 6, 4])

3)chisquare(df [, size])

此函数用于从二项分布中抽取样本。

例：

1
2
3
import numpy as np
np.random.chisquare(2, 4)
sum(np.random.binomial(9, 0.1, 20000) == 0)/20000.

输出

1
array([6, 7, 7, 9, 3, 7, 8, 6, 6, 4])

4)dirichlet(alpha [, size])

此函数用于从Dirichlet分布中抽取样本。

例：

1
2
3
4
5
6
7
8
Import numpy as np
import matplotlib.pyplot as plt
s1 = np.random.dirichlet((10, 5, 3), 20).transpose()
plt.barh(range(20), s1[0])
plt.barh(range(20), s1[1], left=s1[0], color='g')
plt.barh(range(20), s1[2], left=s1[0]+s1[1], color='r')
plt.title("Lengths of Strings")
plt.show()

输出

5)exponential([scale, size])

此函数用于从指数分布中提取样本。

例：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
def __init__(self, sourceid, targetid):
		self.__type = 'Transaction'
		self.id = uuid4()
		self.source = sourceid
		self.target = targetid
		self.date = self._datetime.date(start=2015, end=2019)
		self.time = self._datetime.time()

		if random() < 0.05:
			self.amount = self._numbers.between(100000, 1000000)
		self.amount = npr.exponential(10)

		if random() < 0.15:
			self.currency = self._business.currency_iso_code()
		else:
			self.currency = None

6)f(dfnum, dfden [, size])

此函数用于从F分布中抽取样本。

例：

1
2
3
4
5
import numpy as np
dfno= 1.
dfden = 48.
s1 = np.random.f(dfno, dfden, 10)
np.sort(s1)

输出

1
array([0.00264041, 0.04725478, 0.07140803, 0.19526217, 0.23979   , 0.24023478, 0.63141254, 0.95316446, 1.40281789, 1.68327507])

7)gamma(shape [, scale, size])

此函数用于从Gamma分布中提取样本

例：

1
2
3
4
5
6
7
8
9
10
import numpy as np
shape, scale = 2., 2.
s1 = np.random.gamma(shape, scale, 1000)
import matplotlib.pyplot as plt
import scipy.special as spss
count, bins, ignored = plt.hist(s1, 50, density=True)
a = bins**(shape-1)*(np.exp(-bins/scale) /
(spss.gamma(shape)*scale**shape))
plt.plot(bins, a, linewidth=2, color='r')
plt.show()

8)geometric(p [, size])

此功能用于从几何分布中提取样本。

例：

1
2
3
import numpy as np
a = np.random.geometric(p=0.35, size=10000)
(a == 1).sum() / 1000

输出

1
3.

9)gumbel([位置, 比例, 大小])

此功能用于从Gumble分布中提取样本。

例：

1
2
3
4
5
6
7
import numpy as np
lov, scale = 0, 0.2
s1 = np.random.gumbel(loc, scale, 1000)
import matplotlib.pyplot as plt
count, bins, ignored = plt.hist(s1, 30, density=True)
plt.plot(bins, (1/beta)*np.exp(-(bins - loc)/beta)* np.exp( -np.exp( -(bins - loc) /beta) ), linewidth=2, color='r')
plt.show()

输出

10)hypergeometric(ngood, nbad, nsample [, size])

此功能用于从超几何分布中提取样本。

例：

1
2
3
4
5
import numpy as np
good, bad, samp = 100, 2, 10
s1 = np.random.hypergeometric(good, bad, samp, 1000)
plt.hist(s1)
plt.show()

输出

1
(array([ 13., 0., 0., 0., 0., 163., 0., 0., 0., 824.]), array([ 8. , 8.2, 8.4, 8.6, 8.8, 9. , 9.2, 9.4, 9.6, 9.8, 10. ]), <a list of 10 Patch objects>)

11)laplace([位置, 比例, 大小])

此功能用于从Laplace或具有指定位置和比例的双指数分布中抽取样本。

例：

1
2
3
4
import numpy as np
location, scale = 0., 2.
s = np.random.laplace(location, scale, 10)
s

输出

1
array([-2.77127948, -1.46401453, -0.03723516, -1.61223942, 2.29590691, 1.74297722, 1.49438411, 0.30325513, -0.15948891, -4.99669747])

12)logistic([位置, 比例, 大小])

此功能用于从逻辑分布中抽取样本。

例：

1
2
3
4
5
6
7
8
9
import numpy as np
import matplotlib.pyplot as plt
location, scale = 10, 1
s1 = np.random.logistic(location, scale, 10000)
count, bins, ignored = plt.hist(s1, bins=50)
count
bins
ignored
plt.show()

输出

1
2
3
array([1.000e+00, 1.000e+00, 1.000e+00, 0.000e+00, 1.000e+00, 1.000e+00, 1.000e+00, 5.000e+00, 7.000e+00, 1.100e+01, 1.800e+01, 3.500e+01, 5.300e+01, 6.700e+01, 1.150e+02, 1.780e+02, 2.300e+02, 3.680e+02, 4.910e+02, 6.400e+02, 8.250e+02, 9.100e+02, 9.750e+02, 1.039e+03, 9.280e+02, 8.040e+02, 6.530e+02, 5.240e+02, 3.380e+02, 2.470e+02, 1.650e+02, 1.150e+02, 8.500e+01, 6.400e+01, 3.300e+01, 1.600e+01, 2.400e+01, 1.400e+01, 4.000e+00, 5.000e+00, 2.000e+00, 2.000e+00, 1.000e+00, 1.000e+00, 0.000e+00, 1.000e+00, 0.000e+00, 0.000e+00, 0.000e+00, 1.000e+00])
array([ 0.50643911, 0.91891814, 1.33139717, 1.7438762 , 2.15635523, 2.56883427, 2.9813133 , 3.39379233, 3.80627136, 4.2187504 , 4.63122943, 5.04370846, 5.45618749, 5.86866652, 6.28114556, 6.69362459, 7.10610362, 7.51858265, 7.93106169, 8.34354072, 8.75601975, 9.16849878, 9.58097781, 9.99345685, 10.40593588, 10.81841491, 11.23089394, 11.64337298, 12.05585201, 12.46833104, 12.88081007, 13.2932891 , 13.70576814, 14.11824717, 14.5307262 , 14.94320523, 15.35568427, 15.7681633 , 16.18064233, 16.59312136, 17.00560039, 17.41807943, 17.83055846, 18.24303749, 18.65551652, 19.06799556, 19.48047459, 19.89295362, 20.30543265, 20.71791168, 21.13039072])
<a list of 50 Patch objects>

13)lognormal([均值, sigma, 大小])

此函数用于从对数正态分布中抽取样本。

例：

1
2
3
4
5
6
7
8
9
10
import numpy as np
mu, sigma = 2., 1.
s1 = np.random.lognormal(mu, sigma, 1000)
import matplotlib.pyplot as plt
count, bins, ignored = plt.hist(s1, 100, density=True, align='mid')
a = np.linspace(min(bins), max(bins), 10000)
pdf = (np.exp(-(np.log(a) - mu)**2 / (2 * sigma**2))/ (a * sigma * np.sqrt(2 * np.pi)))
plt.plot(a, pdf, linewidth=2, color='r')
plt.axis('tight')
plt.show()

输出

14)logseries(p [, size])

此函数用于从对数分布中提取样本。

例：

1
2
3
4
5
6
7
8
import numpy as np
x = .6
s1 = np.random.logseries(x, 10000)
count, bins, ignored = plt.hist(s1)
def logseries(k, p):
return -p**k/(k*log(1-p))
plt.plot(bins, logseries(bins, x)*count.max()/logseries(bins, a).max(), 'r')
plt.show()

输出

15)multinomial(n, pvals [, size])

此函数用于从多项分布中提取样本。

例：

1
2
import numpy as np
np.random.multinomial(20, [1/6.]*6, size=1)

输出

1
array([[4, 2, 5, 5, 3, 1]])

16)multivariate_normal(平均值, cov [, 大小, …)

此函数用于从多元正态分布中提取样本。

例：

1
2
3
4
5
6
7
8
9
10
import numpy as np
mean = (1, 2)
coveriance = [[1, 0], [0, 100]] 
import matplotlib.pyplot as plt
a, b = np.random.multivariate_normal(mean, coveriance, 5000).T
plt.plot(a, b, 'x')
plt.axis('equal'023
030
)
plt.show()

输出

17)negative_binomial(n, p [, size])

此函数用于从负二项分布中抽取样本。

例：

1
2
3
4
5
import numpy as np
s1 = np.random.negative_binomial(1, 0.1, 100000)
for i in range(1, 11):
probability = sum(s1<i) / 100000.
print i, "wells drilled, probability of one success =", probability

输出

1
2
3
4
5
6
7
8
9
10
1 wells drilled, probability of one success = 0
2 wells drilled, probability of one success = 0
3 wells drilled, probability of one success = 0
4 wells drilled, probability of one success = 0
5 wells drilled, probability of one success = 0
6 wells drilled, probability of one success = 0
7 wells drilled, probability of one success = 0
8 wells drilled, probability of one success = 0
9 wells drilled, probability of one success = 0
10 wells drilled, probability of one success = 0

18)noncentral_chisquare(df, nonc [, size])

此函数用于从非中心卡方分布中抽取样本。

例：

1
2
3
4
import numpy as np
import matplotlib.pyplot as plt
val = plt.hist(np.random.noncentral_chisquare(3, 25, 100000), bins=200, normed=True)
plt.show()

输出

19)normal([位置, 比例, 大小])

此功能用于从正态分布中提取样本。

例：

1
2
3
4
5
6
7
8
9
import numpy as np
import matplotlib.pyplot as plt
mu, sigma = 0, 0.2 # mean and standard deviation
s1 = np.random.normal(mu, sigma, 1000)
abs(mu - np.mean(s1)) < 0.01
abs(sigma - np.std(s1, ddof=1)) < 0.01
count, bins, ignored = plt.hist(s1, 30, density=True)
plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *np.exp( - (bins - mu)**2 / (2 * sigma**2) ), linewidth=2, color='r')
plt.show()

输出

20)pareto(a [, size])

此功能用于从Lomax或Pareto II中提取具有指定形状的样本。

例：

1
2
3
4
5
6
7
8
import numpy as np
import matplotlib.pyplot as plt
b, m1 = 3., 2.  # shape and mode
s1 = (np.random.pareto(b, 1000) + 1) * m1
count, bins, _ = plt.hist(s1, 100, density=True)
fit = b*m**b / bins**(b+1)
plt.plot(bins, max(count)*fit/max(fit), linewidth=2, color='r')
plt.show()

输出

21)power(a [, size])

此函数用于从指数为a-1的幂分布中提取[0, 1]中的样本。

例：

1
2
3
4
5
6
7
8
9
10
11
import numpy as np
x = 5. # shape
samples = 1000
s1 = np.random.power(x, samples)
import matplotlib.pyplot as plt
count, bins, ignored = plt.hist(s1, bins=30)
a = np.linspace(0, 1, 100)
b = x*a**(x-1.)
density_b = samples*np.diff(bins)[0]*b
plt.plot(a, density_b)
plt.show()

输出

22)rayleigh([scale, size])

此函数用于从瑞利分布中提取样本。

例：

1
2
3
4
5
val = hist(np.random.rayleigh(3, 100000), bins=200, density=True)
meanval = 1
modeval = np.sqrt(2 / np.pi) * meanval
s1 = np.random.rayleigh(modeval, 1000000)
100.*sum(s1>3)/1000000.

输出

1
0.087300000000000003

23)standard_cauchy([size])

此功能用于从模式= 0的标准柯西分布中提取样本。

例：

1
2
3
4
5
6
import numpy as np
import matplotlib.pyplot as plt
s1 = np.random.standard_cauchy(1000000)
s1 = s1[(s1>-25) & (s1<25)]  # truncate distribution so it plots well
plt.hist(s1, bins=100)
plt.show()

输出

24)standard_exponential([size])

此函数用于从标准指数分布中抽取样本。

例：

1
2
import numpy as np
n = np.random.standard_exponential((2, 7000))

输出

1
array([[0.53857931, 0.181262  , 0.20478701, ..., 3.66232881, 1.83882709, 1.77963295], [0.65163973, 1.40001955, 0.7525986 , ..., 0.76516523, 0.8400617 , 0.88551011]])

25)standard_gamma([size])

此功能用于从标准Gamma分布中提取样本。

例：

1
2
3
4
5
6
7
8
9
import numpy as np
shape, scale = 2., 1.
s1 = np.random.standard_gamma(shape, 1000000)
import matplotlib.pyplot as plt
import scipy.special as sps
count1, bins1, ignored1 = plt.hist(s, 50, density=True)
y = bins1**(shape-1) * ((np.exp(-bins1/scale))/ (sps.gamma(shape) * scale**shape))
plt.plot(bins1, y, linewidth=2, color='r')
plt.show()

输出

26)standard_normal([size])

此功能用于从标准正态分布中提取样本。

例：

1
2
3
4
5
6
import numpy as np
import matplotlib.pyplot as plt
s1= np.random.standard_normal(8000)
s1
q = np.random.standard_normal(size=(3, 4, 2))
q

输出

1
2
array([-3.14907597, 0.95366265, -1.20100026, ..., 3.47180222, 0.9608679 , 0.0774319 ])
array([[[ 1.55635461, -1.29541713], [-1.50534663, -0.02829194], [ 1.03949348, -0.26128132], [ 1.51921798, 0.82136178]], [[-0.4011052 , -0.52458858], [-1.31803814, 0.37415379], [-0.67077365, 0.97447018], [-0.20212115, 0.67840888]], [[ 1.86183474, 0.19946562], [-0.07376021, 0.84599701], [-0.84341386, 0.32081667], [-3.32016062, -1.19029818]]])

27)standard_t(df [, size])

此功能用于从标准学生分布中以df自由度抽取样本。

例：

1
2
3
4
5
6
7
8
intake = np.array([5260., 5470, 5640, 6180, 6390, 6515, 6805, 7515, 8230, 8770])
s1 = np.random.standard_t(10, size=100000)
np.mean(intake)
intake.std(ddof=1)
t = (np.mean(intake)-7725)/(intake.std(ddof=1)/np.sqrt(len(intake)))
h = plt.hist(s1, bins=100, density=True)
np.sum(s1<t) / float(len(s1))
plt.show()

输出

1
2
3
6677.5
1174.1101831694598
0.00864

28)三角形(左, 模式, 右[, 大小])

此函数用于从间隔内的三角形分布中抽取样本。

例：

1
2
3
4
import numpy as np
import matplotlib.pyplot as plt
h = plt.hist(np.random.triangular(-4, 0, 8, 1000000), bins=300, density=True)
plt.show()

输出

29)统一([低, 高, 大小])

此功能用于从均匀分布中抽取样本。

例：

1
2
3
4
5
6
7
8
import numpy as np
import matplotlib.pyplot as plt
s1 = np.random.uniform(-1, 0, 1000)
np.all(s1 >= -1)
np.all(s1 < 0)
count, bins, ignored = plt.hist(s1, 15, density=True)
plt.plot(bins, np.ones_like(bins), linewidth=2, color='r')
plt.show()

输出

30)vonmises(m1, m2 [, size])

此函数用于从von Mises分布中抽取样本。

例：

1
2
3
4
5
6
7
8
9
10
import numpy as np
import matplotlib.pyplot as plt
m1, m2 = 0.0, 4.0
s1 = np.random.vonmises(m1, m2, 1000)
from scipy.special import i0
plt.hist(s1, 50, density=True)
x = np.linspace(-np.pi, np.pi, num=51)
y = np.exp(m2*np.cos(x-m1))/(2*np.pi*i0(m2))
plt.plot(x, y, linewidth=2, color='r')
plt.show()

输出

31)wald(平均值, 比例尺[, 大小])

此函数用于从Wald或高斯逆分布中抽取样本。

例：

1
2
3
4
import numpy as np
import matplotlib.pyplot as plt
h = plt.hist(np.random.wald(3, 3, 100000), bins=250, density=True)
plt.show()

输出

32)weibull(a [, size])

此函数用于从Weibull分布中抽取样本。

例：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
import numpy as np
import matplotlib.pyplot as plt
from scipy import special
x=2.0
s=np.random.weibull(x, 1000)
a = np.arange(1, 100.)/50.
def weib(x, n, a):
return (a/n)*(x/n)**np.exp(-(x/n)**a)
count, bins, ignored = plt.hist(np.random.weibull(5., 1000))
a= np.arange(1, 100.)/50.
scale = count.max()/weib(x, 1., 5.).max()
scale = count.max()/weib(a, 1., 5.).max()
plt.plot(x, weib(x, 1., 5.)*scale)
plt.show()

33)zipf(a [, size])

此函数用于从Zipf分布中抽取样本。

例：

1
2
3
4
5
6
7
8
9
10
import numpy as np
import matplotlib.pyplot as plt
from scipy import special
x=2.0
s=np.random.zipf(x, 1000)
count, bins, ignored = plt.hist(s[s<50], 50, density=True)
a = np.arange(1., 50.)
b= a**(-x) / special.zetac(x)
plt.plot(a, b/max(b), linewidth=2, color='r')
plt.show()
Python > Python 第三方模块
#Python #Python 第三方模块
Python 第三方模块之 numpy.random - 随机抽样
https://flepeng.github.io/021-Python-31-Python-第三方模块-Python-第三方模块之-numpy-random-随机抽样/
作者
Lepeng
发布于
2021年4月27日
许可协议