numpy.random.Generator.multinomial#

方法

random.Generator.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 种可能结果的实验。例如掷骰子，结果可以是 1 到 6。从分布中抽取的每个样本代表了 n 次这样的实验。其值 X_i = [X_0, X_1, ..., X_p] 表示结果为 i 的次数。

参数:
nint 或类数组的 int

实验次数。

pvals浮点数的类数组

形状为 (k0, k1, ..., kn, p) 的 p 个不同结果的概率。每个元素 pvals[i,j,...,:] 必须加起来等于 1（但是，只要 sum(pvals[..., :-1], axis=-1) <= 1.0，最后一个元素始终假定为包含剩余的概率）。必须至少有一个维度，其中 pvals.shape[-1] > 0。

sizeint 或 int 的元组，可选

输出形状。如果给定的形状为，例如 (m, n, k)，则每个具有 p 个元素的样本将被抽取 m * n * k 次。默认为 None，其中输出大小由 n 的广播形状和 pvals 的最终维度（表示为 b=(b0, b1, ..., bq)）确定。如果 size 不为 None，则它必须与广播形状 b 兼容。具体来说，size 必须具有 q 个或更多元素，并且 size[-(q-j):] 必须等于 bj。

返回值:
outndarray

抽取的样本，形状为 size（如果提供）。当提供 size 时，输出形状为 size + (p,)。如果未指定，则形状由 n 和 pvals 的广播形状 (b0, b1, ..., bq) 以及多项式的维度 p 确定，因此输出形状为 (b0, b1, ..., bq, p)。

每个条目 out[i,j,...,:] 是从分布中抽取的 p 维值。

版本 1.22.0 中的更改: 添加了对 pvals 与 n 广播的支持

示例

掷骰子 20 次

>>> rng = np.random.default_rng()
>>> rng.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，等等。

现在，掷骰子 20 次，然后再掷 20 次

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

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

现在，做一个掷骰子 10 次，然后再掷 10 次的实验，另一个掷骰子 20 次，然后再掷 20 次的实验

>>> rng.multinomial([[10], [20]], [1/6.]*6, size=(2, 2))
array([[[2, 4, 0, 1, 2, 1],
        [1, 3, 0, 3, 1, 2]],
       [[1, 4, 4, 4, 4, 3],
        [3, 3, 2, 5, 5, 2]]])  # random

第一个数组显示掷骰子 10 次的结果，第二个数组显示掷骰子 20 次的结果。

一个加载的骰子更有可能落在数字 6 上

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

模拟掷 4 面骰子 10 次和掷 6 面骰子 20 次

>>> rng.multinomial([10, 20],[[1/4]*4 + [0]*2, [1/6]*6])
array([[2, 1, 4, 3, 0, 0],
       [3, 3, 3, 6, 1, 4]], dtype=int64)  # random

从两个类别生成分类随机变量，第一个类别有 3 个结果，第二个类别有 2 个结果。

>>> rng.multinomial(1, [[.1, .5, .4 ], [.3, .7, .0]])
array([[0, 0, 1],
       [0, 1, 0]], dtype=int64)  # random

argmax(axis=-1) 然后用于返回类别。

>>> pvals = [[.1, .5, .4 ], [.3, .7, .0]]
>>> rvs = rng.multinomial(1, pvals, size=(4,2))
>>> rvs.argmax(axis=-1)
array([[0, 1],
       [2, 0],
       [2, 1],
       [2, 0]], dtype=int64)  # random

可以使用广播生成相同的输出维度。

>>> rvs = rng.multinomial([[1]] * 4, pvals)
>>> rvs.argmax(axis=-1)
array([[0, 1],
       [2, 0],
       [2, 1],
       [2, 0]], dtype=int64)  # random

概率输入应该被归一化。作为实现细节，最后一个条目的值将被忽略，并假定它占据了任何剩余的概率质量，但这不应该被依赖。一枚在一边的重量是另一边两倍的有偏差的硬币应该像这样进行采样

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

而不是

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