numpy.random.Generator.laplace#
方法
- random.Generator.laplace(loc=0.0, scale=1.0, size=None)#
从具有指定位置(或均值)和尺度(衰减)的拉普拉斯或双指数分布中抽取样本。
拉普拉斯分布类似于高斯/正态分布,但峰值更尖锐,尾部更肥厚。它表示两个独立同分布的指数随机变量之间的差异。
- 参数:
- locfloat 或 float 型数组,可选
分布峰值的位置, \(\mu\)。默认为 0。
- scalefloat 或 float 型数组,可选
\(\lambda\),指数衰减。默认为 1。必须是非负数。
- sizeint 或 int 型元组,可选
输出形状。如果给定的形状为,例如,
(m, n, k)
,则抽取m * n * k
个样本。如果 size 为None
(默认值),如果loc
和scale
都是标量,则返回单个值。否则,将抽取np.broadcast(loc, scale).size
个样本。
- 返回值:
- outndarray 或标量
从参数化的拉普拉斯分布中抽取的样本。
注释
它具有概率密度函数
\[f(x; \mu, \lambda) = \frac{1}{2\lambda} \exp\left(-\frac{|x - \mu|}{\lambda}\right).\]拉普拉斯的第一个定律(1774 年)指出,误差的频率可以用误差绝对值大小的指数函数来表示,这导致了拉普拉斯分布。对于经济学和健康科学中的许多问题,这种分布似乎比标准高斯分布更好地模拟数据。
参考文献
[1]Abramowitz, M. 和 Stegun, I. A. (Eds.)。“带公式、图表和数学表格的数学函数手册,第 9 版”,纽约:Dover,1972 年。
[2]Kotz,Samuel 等。“拉普拉斯分布及其推广”,Birkhauser,2001 年。
[3]Weisstein,Eric W.“拉普拉斯分布。”来自 MathWorld——Wolfram 网络资源。 https://mathworld.wolfram.com/LaplaceDistribution.html
[4]维基百科,“拉普拉斯分布”, https://en.wikipedia.org/wiki/Laplace_distribution
示例
从分布中抽取样本
>>> loc, scale = 0., 1. >>> rng = np.random.default_rng() >>> s = rng.laplace(loc, scale, 1000)
显示样本的直方图以及概率密度函数
>>> import matplotlib.pyplot as plt >>> count, bins, _ = plt.hist(s, 30, density=True) >>> x = np.arange(-8., 8., .01) >>> pdf = np.exp(-abs(x-loc)/scale)/(2.*scale) >>> plt.plot(x, pdf)
绘制高斯曲线以进行比较
>>> g = (1/(scale * np.sqrt(2 * np.pi)) * ... np.exp(-(x - loc)**2 / (2 * scale**2))) >>> plt.plot(x,g)