numpy.random.RandomState.multinomial#

方法

random.RandomState.multinomial(n, pvals, size=None)#

从多项分布中抽取样本。

多项分布是二项分布的多元推广。考虑一个具有 p 个可能结果的实验。此类实验的一个例子是掷骰子，结果可以是 1 到 6。从分布中抽取的每个样本代表 n 次这样的实验。它的值， X_i = [X_0, X_1, ..., X_p]，代表结果为 i 的次数。

注意

新的代码应该使用 multinomial Generator 实例的方法；请参见快速入门。

警告

此函数默认为 C-long 数据类型，在 Windows 上为 32 位，在 64 位平台上为 64 位（在 32 位平台上为 32 位）。从 NumPy 2.0 开始，NumPy 的默认整数在 32 位平台上为 32 位，在 64 位平台上为 64 位。

参数：

nint: 实验次数。
pvals浮点数序列，长度为 p: p 个不同结果的概率。这些必须加起来等于 1（但是，只要 sum(pvals[:-1]) <= 1)，最后一个元素总是被认为是剩余概率）。
sizeint 或 int 元组，可选: 输出形状。如果给定的形状例如为 (m, n, k)，则将抽取 m * n * k 个样本。默认为 None，在这种情况下返回单个值。

返回：

outndarray

抽取的样本，形状为 size（如果已提供）。如果没有提供，形状为 (N,)。

换句话说，每个条目 out[i,j,...,:] 是从分布中抽取的 N 维值。

另请参见

示例

掷骰子 20 次

>>> np.random.multinomial(20, [1/6.]*6, size=1)
array([[4, 1, 7, 5, 2, 1]]) # random

它在 1 上出现了 4 次，在 2 上出现了 1 次，依此类推。

现在，掷骰子 20 次，然后再掷 20 次

>>> np.random.multinomial(20, [1/6.]*6, size=2)
array([[3, 4, 3, 3, 4, 3], # random
       [2, 4, 3, 4, 0, 7]])

第一次，我们掷出了 3 次 1，4 次 2，等等。第二次，我们掷出了 2 次 1，4 次 2，等等。

一个偏重的骰子更有可能落在数字 6 上

>>> np.random.multinomial(100, [1/7.]*5 + [2/7.])
array([11, 16, 14, 17, 16, 26]) # random

概率输入应该被标准化。作为实现细节，最后一个条目的值将被忽略，并假定它占据了任何剩余的概率质量，但这不应该依赖于此。一个在一侧的重量是另一侧的两倍的偏重硬币应该像这样采样

>>> np.random.multinomial(100, [1.0 / 3, 2.0 / 3])  # RIGHT
array([38, 62]) # random

而不是

>>> np.random.multinomial(100, [1.0, 2.0])  # WRONG
Traceback (most recent call last):
ValueError: pvals < 0, pvals > 1 or pvals contains NaNs