如何生成满足某个分布的样本点？

如何生成满足某个分布的样本点？

有的同学会问，想生成满足某种分布的样本点，怎么方便的做到呢？

scipy 包中的 stats 模块就是做这件事情的，它里面预置了很多种常见分布，比如常见的连续分布几十种：

image

常见的离散分布十几种：

image

并且，还提供了连续和离散分布的接口对象：rv_continuous, rv_discrete ，真的很强大。

生成满足某个分布的样本点

今天我们使用 scipy 玩一个大家常见的一维正态分布，看看如何生成满足正态分布的样本点，以及展示正态分布的常见特性。

导入所需包：

import numpy as np
from scipy.stats import norm
import matplotlib.pyplot as plt

生成一维的正态分布，其均值为 0，标准差为 1，创建 100 个样本点：

data = norm.rvs(0,1,size=100)
x,y = np.arange(100), data
plt.plot(x,y,color='b')
plt.scatter(x,y,color='',edgecolor='orange')
plt.grid()
plt.show()

看到生成的 100 个点以 y = 0 为均线，上下震动，平均振幅为 1: image

使用 norm.fit 拟合刚刚生成的数据，观察实际数据的均值和方差：

norm.fit(data)

拟合后的均值和标准差：

(0.1515041527608994, 0.9540826823836187)

pdf 概率密度函数

norm.pdf 能生成正态分布的概率密度函数，分布的两个参数自己可配置：

plt.close() x = np.arange(-5,5,0.1) y = norm.pdf(x) # 标准正态分布的概率密度值 plt.plot(x,y,color='b') plt.scatter(x,y,color='',edgecolor='orange') plt.grid() plt.show()

标准正态分布的概率密度图：

image

cdf 累计分布函数

cdf 曲线 与 x 轴所围区域的面积之和等于 1：

plt.close() x = np.arange(-5,5,0.1) y = norm.cdf(x) plt.plot(x,y,color='b') plt.scatter(x,y,color='',edgecolor='orange') plt.grid() plt.show()

标准正态分布的累计分布图：

image

还有更多实用的方法，感兴趣可去探索下。

转自：Python小例子