numpy.random.Generator.logistic#
方法
- random.Generator.logistic(loc=0.0, scale=1.0, size=None)#
从逻辑分布中抽取样本。
从具有指定参数 loc（位置或均值，也为中位数）和 scale (>0) 的逻辑分布中抽取样本。
- 参数:
- loc浮点数或浮点数数组（可选）
分布的参数。默认值为 0。
- scale浮点数或浮点数数组（可选）
分布的参数。必须是非负数。默认值为 1。
- size整数或整数元组（可选）
输出形状。如果给定的形状是，例如
(m, n, k)，则抽取m * n * k个样本。如果 size 为None（默认值），则当loc和scale都是标量时返回单个值。否则，抽取np.broadcast(loc, scale).size个样本。
- 返回:
- outndarray 或标量
从参数化的逻辑分布中抽取的样本。
另请参阅
scipy.stats.logistic概率密度函数、分布或累积密度函数等。
注释
逻辑分布的概率密度为
\[P(x) = \frac{e^{-(x-\mu)/s}}{s(1+e^{-(x-\mu)/s})^2},\]其中 \(\mu\) = 位置，\(s\) = 尺度。
逻辑分布用于极值问题中，可作为 Gumbel 分布的混合，也用于流行病学中，并被世界国际象棋联合会 (FIDE) 用于 Elo 等级系统，假设每个棋手的表现是一个逻辑分布的随机变量。
参考文献
[1]Reiss, R.-D. and Thomas M. (2001), “Statistical Analysis of Extreme Values, from Insurance, Finance, Hydrology and Other Fields,” Birkhauser Verlag, Basel, pp 132-133.
[2]Weisstein, Eric W. “Logistic Distribution.” From MathWorld–A Wolfram Web Resource. https://mathworld.net.cn/LogisticDistribution.html
[3]Wikipedia, “Logistic-distribution”, https://en.wikipedia.org/wiki/Logistic_distribution
示例
从分布中抽取样本
>>> loc, scale = 10, 1 >>> rng = np.random.default_rng() >>> s = rng.logistic(loc, scale, 10000) >>> import matplotlib.pyplot as plt >>> count, bins, _ = plt.hist(s, bins=50, label='Sampled data')
# 绘制采样数据与精确分布的对比图
>>> def logistic(x, loc, scale): ... return np.exp((loc-x)/scale)/(scale*(1+np.exp((loc-x)/scale))**2) >>> logistic_values = logistic(bins, loc, scale) >>> bin_spacing = np.mean(np.diff(bins)) >>> plt.plot(bins, logistic_values * bin_spacing * s.size, label='Logistic PDF') >>> plt.legend() >>> plt.show()
