我正在使用內置函式生成隨機對數正態分布。是否可以為給定的mean和指定范圍sigma？例如，我想要一個在0和之間0.5的隨機分布mean=0.2, sigma=0.5？
import numpy as np
r=np.random.lognormal(mean=0.2, sigma=0.5, size=(3,3))
print([r])
uj5u.com熱心網友回復：
不是直接的，但您可以生成更多點并過濾那些超出您的引數的點。但是，使用您提供的值，這樣的點將很少：
np.random.seed(0)
z = np.random.lognormal(mean=0.2, sigma=0.5, size=10_000)
>>> np.sum(z < 0.5) / len(z)
0.0346
作為旁注，請注意引數mean和sigma是np.random.lognormal()指基礎正態分布，而不是對mean數std正態點的和：
np.random.seed(0)
z = np.random.lognormal(mean=0.2, sigma=0.5, size=1000)
y = np.log(y)
>>> np.mean(z), np.std(z)
(1.3886515119063163, 0.7414709414626542)
>>> np.mean(y), np.std(y)
(0.2018986489272414, 0.5034218384643446)
所有這一切，如果你真的想要你所要求的，你可以這樣做：
shape = 3, 3
zmin, zmax = 0, 0.5
n = np.prod(shape)
zc = np.array([])
while True:
z = np.random.lognormal(mean=0.2, sigma=0.5, size=n * 100)
z = z[(zmin <= z) & (z < zmax)]
zc = np.r_[zc, z]
if len(zc) >= n:
break
r = zc[:n].reshape(shape)
>>> r
array([[0.34078793, 0.45366409, 0.40183988],
[0.43387773, 0.46387512, 0.30535007],
[0.44248787, 0.32316698, 0.48600577]])
但是請注意，如果您的邊界指定一個空白空間，則上述回圈（在這種情況下平均只執行一次）可能會永遠運行。
編輯
為了提高效率，我們可以改用scipy.stats.truncnorm。但是，似乎有一個問題 when loc, scale != 0, 1，所以我們在這里推出我們自己的調整：
# convert X ~ N(0, 1) to Y ~ N(u, s):
# Y = X * s u
# want Y in [a, b]:
# so X in [(a - u)/s, (b - u)/s]
#
# We want Z ~ logN(u, s) in [zmin, zmax]
# Z = exp(Y) and
# a, b = np.log((zmin, zmax))
def lognormal(a, b, loc=1, scale=1, size=1):
a, b = np.log((a, b))
ca, cb = (np.array((a, b)) - loc) / scale
rv = truncnorm(a=ca, b=cb)
z = np.exp(rv.rvs(size=size) * scale loc)
return z
例子：
zmin, zmax = 0, 0.5
z = lognormal(zmin, zmax, 0.2, 0.5, 10_000)
或者，從以下位置捕獲相當嘈雜的警告np.log(0)：
import warnings
with warnings.catch_warnings():
warnings.filterwarnings('ignore', category=RuntimeWarning, message='divide by zero encountered in log')
z = lognormal(zmin, zmax, 0.2, 0.5, 10_000)
無論哪種方式，我們現在都有：
np.min(z), np.max(z)
(0.10787873738453256, 0.4999993445360746)
與上面的 ( r)相同的分布shape = 10_000：
def lognormal_naive(a, b, loc=1, scale=1, size=1):
zc = np.array([])
while True:
z = np.random.lognormal(mean=loc, sigma=scale, size=n * 100)
z = z[(a <= z) & (z < b)]
zc = np.r_[zc, z]
if len(z) >= size:
break
return zc[:size]
r = lognormal_naive(zmin, zmax, 0.2, 0.5, 10_000)
fig, ax = plt.subplots(ncols=2, figsize=(7, 2))
ax[0].hist(z, bins=100)
ax[1].hist(r, bins=100);
但是，時機要好得多：
%timeit lognormal_naive(zmin, zmax, 0.2, 0.5, 10_000)
64.2 ms ± 60.3 μs per loop (mean ± std. dev. of 7 runs, 10 loops each)
%timeit lognormal(zmin, zmax, 0.2, 0.5, 10_000)
2.06 ms ± 3.61 μs per loop (mean ± std. dev. of 7 runs, 100 loops each)
轉載請註明出處，本文鏈接：https://www.uj5u.com/ruanti/463183.html
上一篇：為什么a[1:-1:-1]和a=[1,2,3]回傳[]？
下一篇：計算具有特定元素的陣列的平均值