numpy.random.Generator.multivariate_hypergeometric#

方法

random.Generator.multivariate_hypergeometric(colors, nsample, size=None, method='marginals')#

从多元超几何分布生成变量。

多元超几何分布是超几何分布的推广。

从包含 N 种不同类型的集合中，无放回地随机选择 nsample 个项目。N 是 colors 的长度，colors 中的值是集合中该类型出现的次数。集合中的项目总数为 sum(colors)。此函数生成的每个随机变量都是长度为 N 的向量，包含在 nsample 个项目中出现的不同类型的计数。

名称 colors 来自对分布的常见描述：它是从包含不同颜色弹珠的瓮中无放回地选择每种颜色弹珠数量的概率分布；colors[i] 是瓮中颜色为 i 的弹珠数量。

参数：

colors整数序列: 集合中每种类型项目的数量，从中抽取样本。 colors 中的值必须是非负数。为了避免算法中精度损失，当 method 为“marginals”时，sum(colors) 必须小于 10**9。
nsample整数: 选择的项目数量。nsample 不能大于 sum(colors)。
size整数或整数元组，可选: 要生成的变量数量，可以是整数，也可以是包含变量数组形状的元组。如果给定的 size 为，例如，(k, m)，则会绘制 k * m 个变量，其中一个变量是长度为 len(colors) 的向量，返回值的形状为 (k, m, len(colors))。如果 size 是一个整数，则输出的形状为 (size, len(colors))。默认为 None，在这种情况下，单个变量将作为形状为 (len(colors),) 的数组返回。
method字符串，可选: 指定用于生成变量的算法。必须是“count”或“marginals”（默认值）。有关方法的描述，请参见注释。

返回：

variatesndarray: 从多元超几何分布中抽取的变量数组。

另请参见

hypergeometric: 从（单变量）超几何分布中抽取样本。

注释

这两种方法不会返回相同的变量序列。

“count”算法大致等效于以下 numpy 代码：

choices = np.repeat(np.arange(len(colors)), colors)
selection = np.random.choice(choices, nsample, replace=False)
variate = np.bincount(selection, minlength=len(colors))

“count”算法使用长度为 sum(colors) 的临时整数数组。

“marginals”算法通过重复调用单变量超几何采样器来生成变量。它大致等效于：

variate = np.zeros(len(colors), dtype=np.int64)
# `remaining` is the cumulative sum of `colors` from the last
# element to the first; e.g. if `colors` is [3, 1, 5], then
# `remaining` is [9, 6, 5].
remaining = np.cumsum(colors[::-1])[::-1]
for i in range(len(colors)-1):
    if nsample < 1:
        break
    variate[i] = hypergeometric(colors[i], remaining[i+1],
                               nsample)
    nsample -= variate[i]
variate[-1] = nsample

默认方法是“marginals”。对于某些情况（例如，当 colors 包含相对较小的整数时），“count”方法可能比“marginals”方法快得多。如果算法的性能很重要，请使用典型输入测试这两种方法，以确定哪种方法最有效。

示例

>>> colors = [16, 8, 4]
>>> seed = 4861946401452
>>> gen = np.random.Generator(np.random.PCG64(seed))
>>> gen.multivariate_hypergeometric(colors, 6)
array([5, 0, 1])
>>> gen.multivariate_hypergeometric(colors, 6, size=3)
array([[5, 0, 1],
       [2, 2, 2],
       [3, 3, 0]])
>>> gen.multivariate_hypergeometric(colors, 6, size=(2, 2))
array([[[3, 2, 1],
        [3, 2, 1]],
       [[4, 1, 1],
        [3, 2, 1]]])