numpy.random.Generator.normal#
方法
- random.Generator.normal(loc=0.0, scale=1.0, size=None)#
从正态 (高斯) 分布中抽取随机样本。
正态分布的概率密度函数首先由棣莫弗推导出来,200 年后由高斯和拉普拉斯独立推导出来 [2],由于其特征形状(见下面的示例),它通常被称为钟形曲线。
正态分布在自然界中经常出现。例如,它描述了受大量微小随机扰动影响的样本的常见分布,每个扰动都有其独特的分布 [2]。
- 参数:
- locfloat 或类似数组的浮点数
分布的均值(“中心”)。
- scalefloat 或类似数组的浮点数
分布的标准差(扩展或“宽度”)。必须是非负数。
- sizeint 或 int 元组,可选
输出形状。如果给定的形状为,例如,
(m, n, k)
,则将抽取m * n * k
个样本。如果 size 为None
(默认值),则如果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
从参数化的正态分布中抽取的样本。
另请参见
scipy.stats.norm
概率密度函数、分布或累积密度函数等。
备注
高斯分布的概率密度为
\[p(x) = \frac{1}{\sqrt{ 2 \pi \sigma^2 }} e^{ - \frac{ (x - \mu)^2 } {2 \sigma^2} },\]其中 \(\mu\) 是均值,\(\sigma\) 是标准差。标准差的平方,\(\sigma^2\),被称为方差。
该函数在均值处达到峰值,其“扩展”随着标准差的增加而增加(该函数在 \(x + \sigma\) 和 \(x - \sigma\) 处达到其最大值的 0.607 倍 [2])。这意味着
normal
更有可能返回接近均值的样本,而不是远离均值的样本。参考文献
[1]维基百科,“正态分布”,https://en.wikipedia.org/wiki/Normal_distribution
示例
从分布中抽取样本
>>> mu, sigma = 0, 0.1 # mean and standard deviation >>> rng = np.random.default_rng() >>> s = rng.normal(mu, sigma, 1000)
验证均值和方差
>>> abs(mu - np.mean(s)) 0.0 # may vary
>>> abs(sigma - np.std(s, ddof=1)) 0.0 # may vary
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) >>> plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) * ... np.exp( - (bins - mu)**2 / (2 * sigma**2) ), ... linewidth=2, color='r') >>> plt.show()
均值为 3 且标准差为 2.5 的正态分布的二维四列数组样本
>>> rng = np.random.default_rng() >>> rng.normal(3, 2.5, size=(2, 4)) array([[-4.49401501, 4.00950034, -1.81814867, 7.29718677], # random [ 0.39924804, 4.68456316, 4.99394529, 4.84057254]]) # random