Ctrl+K
scipy.stats.Normal.

sample#

Normal.sample(shape=(), *, method=None, rng=None)[原始碼]#

從分佈中取出隨機樣本。

參數:
shape整數元組，預設值： ()

要繪製的樣本形狀。如果隨機變數底層分佈的參數是形狀為 param_shape 的陣列，則輸出陣列的形狀將為 shape + param_shape。

method{None, ‘formula’, ‘inverse_transform’}

用於產生樣本的策略。預設情況下 ( None )，基礎架構會在以下選項之間進行選擇，並依優先順序排列。

  • 'formula': 針對分佈的特定實作

  • 'inverse_transform': 產生均勻分佈的樣本，並在這些引數中傳回反向 CDF。

並非所有分佈都提供所有 method 選項。如果選定的 method 不可用，則會引發 NotImplementedError`。

rngnumpy.random.Generator 或 scipy.stats.QMCEngine，選用

虛擬或準隨機數產生器狀態。當 rng 為 None 時，會使用來自作業系統的熵建立新的 numpy.random.Generator。除了 numpy.random.Generator 和 scipy.stats.QMCEngine 之外的類型會傳遞至 numpy.random.default_rng 以例項化 Generator。

如果 rng 是設定為使用 scrambling 的 scipy.stats.QMCEngine 的例項，且 shape 不為空，則沿結果的第零軸的每個切片都是「準獨立」的低差異序列；也就是說，它們是可以針對大多數實際目的視為統計上獨立的不同序列。sample 的個別呼叫會產生新的準獨立低差異序列。

參考文獻

[1]

抽樣 (統計學), 維基百科, https://en.wikipedia.org/wiki/Sampling_(statistics)

範例

使用所需的參數例項化分佈

>>> import numpy as np
>>> from scipy import stats
>>> X = stats.Uniform(a=0., b=1.)

產生虛擬隨機樣本

>>> x = X.sample((1000, 1))
>>> octiles = (np.arange(8) + 1) / 8
>>> np.count_nonzero(x <= octiles, axis=0)
array([ 148,  263,  387,  516,  636,  751,  865, 1000])  # may vary

>>> X = stats.Uniform(a=np.zeros((3, 1)), b=np.ones(2))
>>> X.a.shape,
(3, 2)
>>> x = X.sample(shape=(5, 4))
>>> x.shape
(5, 4, 3, 2)
在本頁中