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都代表了 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

新的代码应该使用 multinomial 方法，而不是 Generator 实例；请参见 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）。从 NumPy 2.0 开始，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

p 个不同结果的概率。这些概率必须加起来为 1（但是，只要 sum(pvals[:-1]) <= 1)，最后一个元素始终被假定为包含剩余的概率）。

sizeint 或 int 元组，可选

输出形状。如果给定的形状为，例如 (m, n, k)，则会抽取 m * n * k 个样本。默认为 None，在这种情况下返回单个值。

返回值：
outndarray

抽取的样本，形状为 size（如果已提供）。如果没有提供，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

这应该用于新代码。

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 4 次落在 1 上，1 次落在 2 上，依此类推。

现在，掷骰子 20 次，然后再掷 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]])

对于第一次掷骰，我们 3 次掷出了 1，4 次掷出了 2，依此类推。对于第二次掷骰，我们 2 次掷出了 1，4 次掷出了 2，依此类推。

一个有偏差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

概率输入应该被标准化。作为实现细节，最后一个条目的值会被忽略，并假定它占据了任何剩余的概率质量，但这不应该被依赖。一枚在一边的权重是另一边两倍的有偏差硬币，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

>>> np.random.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