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。考虑一个有 p 种可能结果的实验。例如，掷骰子就是一个这样的实验，结果可能是 1 到 6。从分布中抽取的每个样本代表 n 次这样的实验。它的值 X_i = [X_0, X_1, ..., X_p] 表示结果为 i 的次数。

注意

新代码应使用 multinomial 方法，该方法是 Generator 实例的方法；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

每个 p 种不同结果的概率。这些概率的总和必须为 1（但是，只要 sum(pvals[:-1]) <= 1)，则始终假定最后一个元素考虑剩余概率）。

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

抽取的样本，如果提供了 size，则形状为 size。如果未提供，则形状为 (N,)。

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

另请参阅

random.Generator.multinomial

新代码应使用它。

示例

掷骰子 20 次

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

它有 4 次落在 1 上，1 次落在 2 上，等等。

现在，掷骰子 20 次，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，我们掷了 3 次 1，4 次 2，等等。第二次，我们掷了 2 次 1，4 次 2，等等。

一个灌铅的骰子更有可能落在数字 6 上

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

概率输入应标准化。作为实现细节，最后一个条目的值将被忽略，并假定占据任何剩余的概率质量，但这不应被依赖。一个有偏的硬币，一面比另一面重两倍，应该像这样采样

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

而不是像这样

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