numpy.random.Generator.multivariate_hypergeometric#

method

random.Generator.multivariate_hypergeometric(colors, nsample, size=None, method='marginals')#

从多元超几何分布中生成变量.

多元超几何分布是超几何分布的推广.

从具有 N 种不同类型的集合中无放回地随机选择 nsample 个项目. N 是 colors 的长度, colors 中的值是该类型在集合中出现的次数.集合中项目的总数为 sum(colors) .此函数生成的每个随机变量都是一个长度为 N 的向量,其中包含 nsample 个项目中发生的各种类型的计数.

名称 colors 来自对分布的常见描述:它是从一个装有不同颜色弹珠的瓮中,无放回地选择每种颜色的弹珠的数量的概率分布; colors[i] 是瓮中颜色为 i 的弹珠的数量.

参数:
colors整数序列

从中抽取样本的集合中每种类型的物品的数量. colors 中的值必须是非负数.为了避免算法中精度损失,当 method 为 “marginals” 时, sum(colors) 必须小于 109 .

nsampleint

选择的项目数. nsample 不能大于 sum(colors) .

sizeint 或 int 的元组,可选.

要生成的变量的数量,可以是整数或包含变量数组形状的元组.如果给定的 size 是,例如 (k, m) ,那么将抽取 k * m 个变量,其中一个变量是长度为 len(colors) 的向量,返回值具有形状 (k, m, len(colors)) .如果 size 是一个整数,则输出的形状为 (size, len(colors)) .默认为 None,在这种情况下,单个变量将作为形状为 (len(colors),) 的数组返回.

methodstring, optional

指定用于生成变量的算法.必须是 ‘count’ 或 ‘marginals’ (默认值).参见“注释”部分了解有关这些方法的描述.

返回:
变量ndarray

从多元超几何分布中抽取的变量数组.

参见

hypergeometric

从(单变量)超几何分布中抽取样本.

注释

这两种方法不会返回相同的变量序列.

“count”算法大致等同于以下 numpy 代码:

choices = np.repeat(np.arange(len(colors)), colors)
selection = np.random.choice(choices, nsample, replace=False)
variate = np.bincount(selection, minlength=len(colors))

“count”算法使用一个长度为 sum(colors) 的临时整数数组.

“marginals”算法通过重复调用单变量超几何采样器来生成一个变量.它大致等同于:

variate = np.zeros(len(colors), dtype=np.int64)
# `remaining` is the cumulative sum of `colors` from the last
# element to the first; e.g. if `colors` is [3, 1, 5], then
# `remaining` is [9, 6, 5].
remaining = np.cumsum(colors[::-1])[::-1]
for i in range(len(colors)-1):
    if nsample < 1:
        break
    variate[i] = hypergeometric(colors[i], remaining[i+1],
                               nsample)
    nsample -= variate[i]
variate[-1] = nsample

默认方法是“marginals”.对于某些情况(例如,当 colors 包含相对较小的整数时),“count”方法可能比“marginals”方法快得多.如果算法的性能很重要,请使用典型输入测试这两种方法,以确定哪种方法效果最佳.

示例

>>> colors = [16, 8, 4]
>>> seed = 4861946401452
>>> gen = np.random.Generator(np.random.PCG64(seed))
>>> gen.multivariate_hypergeometric(colors, 6)
array([5, 0, 1])
>>> gen.multivariate_hypergeometric(colors, 6, size=3)
array([[5, 0, 1],
       [2, 2, 2],
       [3, 3, 0]])
>>> gen.multivariate_hypergeometric(colors, 6, size=(2, 2))
array([[[3, 2, 1],
        [3, 2, 1]],
       [[4, 1, 1],
        [3, 2, 1]]])