numpy.random.multinomial#

random.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。进行一个有 p 种可能结果的实验。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 次此类实验。其值 X_i = [X_0, X_1, ..., X_p] 代表结果为 i 的次数。

注意

新代码应使用 multinomial 方法，它属于 Generator 实例；请参阅快速入门。

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）。自 NumPy 2.0 起，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: 这 p 个不同结果的概率。这些概率的总和必须为 1（但是，最后一个元素始终被假定为占剩余概率，只要 sum(pvals[:-1]) <= 1)。
sizeint 或 int 的元组，可选: 输出形状。如果给定的形状例如是 (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

绘制的样本，形状为 *size*，如果已提供。如果未提供，则形状为 (N,)。

换句话说，out[i,j,...,:] 的每个条目都是从该分布中抽取的 N 维值。

另请参阅

示例

掷骰子 20 次

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

掷出 1 的次数为 4，掷出 2 的次数为 1，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]])

第一次运行时，我们掷出 1 的次数为 3，掷出 2 的次数为 4，依此类推。第二次运行时，我们掷出 1 的次数为 2，掷出 2 的次数为 4，依此类推。

不公平的骰子更有可能掷出数字 6

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

概率输入应进行归一化。作为实现细节，最后一个条目的值将被忽略，并假定它承担任何剩余的概率质量，但不应依赖此行为。一个两面权重比为 2:1 的不公平硬币应这样采样

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

而不是这样

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