7.3 其他分布的随机数生成 (简要介绍)

7.3 其他分布的随机数生成 (简要介绍)

NumPy 随机数生成：7.3 其他分布的随机数生成

NumPy 的 np.random 模块提供了丰富的随机数生成功能，除了常见的均匀分布、正态分布等，还支持多种其他概率分布的随机数生成。 这些分布在模拟、统计分析、机器学习等领域都有广泛的应用。本节将简要介绍一些常用的其他分布，并提供相应的代码示例。

1. 二项分布 (Binomial Distribution)

二项分布描述了在固定次数的独立试验中，成功的次数的概率分布，每次试验只有两种可能的结果（成功或失败），且每次试验成功的概率相同。

• 参数：

  • n: 试验次数。

  • p: 每次试验成功的概率。

  • size: 输出数组的形状。

• 函数： np.random.binomial(n, p, size)

• 示例：

import numpy as np
n = 10  # 试验次数
p = 0.5 # 每次试验成功的概率
size = 1000 # 模拟次数
samples = np.random.binomial(n, p, size)
print(f"模拟 {size} 次二项分布，每次试验 {n} 次，成功概率为 {p}:")
print(samples[:20]) # 打印前20个样本
​

可视化：

可以使用直方图来可视化二项分布的样本：

import matplotlib.pyplot as plt
plt.hist(samples, bins=20, density=True, alpha=0.7, color='skyblue')
plt.xlabel("成功次数")
plt.ylabel("概率密度")
plt.title("二项分布直方图")
plt.show()
​

应用场景： 模拟抛硬币、计算产品合格率等。

2. 泊松分布 (Poisson Distribution)

泊松分布描述了在固定时间或空间内，事件发生的次数的概率分布。它通常用于模拟稀有事件的发生。

• 参数：

  • lam: 事件发生的平均速率（也称为 rate parameter）。

  • size: 输出数组的形状。

• 函数： np.random.poisson(lam, size)

• 示例：

import numpy as np
lam = 5 # 平均每单位时间发生5次
size = 1000
samples = np.random.poisson(lam, size)
print(f"模拟 {size} 次泊松分布，平均速率为 {lam}:")
print(samples[:20])
​

可视化：

import matplotlib.pyplot as plt
plt.hist(samples, bins=20, density=True, alpha=0.7, color='lightgreen')
plt.xlabel("事件发生次数")
plt.ylabel("概率密度")
plt.title("泊松分布直方图")
plt.show()
​

应用场景： 模拟网站访问量、电话呼叫次数、放射性衰变事件等。

3. 指数分布 (Exponential Distribution)

指数分布描述了事件之间的时间间隔的概率分布，通常与泊松过程相关联。

• 参数：

  • scale: 平均时间间隔 (等于 1/lambda，其中 lambda 是泊松分布的速率参数)。

  • size: 输出数组的形状。

• 函数： np.random.exponential(scale, size)

• 示例：

import numpy as np
scale = 2 # 平均时间间隔为 2
size = 1000
samples = np.random.exponential(scale, size)
print(f"模拟 {size} 次指数分布，平均时间间隔为 {scale}:")
print(samples[:20])
​

可视化：

import matplotlib.pyplot as plt
plt.hist(samples, bins=50, density=True, alpha=0.7, color='lightcoral')
plt.xlabel("时间间隔")
plt.ylabel("概率密度")
plt.title("指数分布直方图")
plt.show()
​

应用场景： 模拟设备故障间隔时间、顾客到达服务台的时间间隔等。

4. Gamma 分布 (Gamma Distribution)

Gamma 分布是一种连续概率分布，与指数分布密切相关，可以看作是多个独立同分布的指数分布变量之和。

• 参数：

  • shape: 形状参数 (k)。

  • scale: 尺度参数 (theta)。

  • size: 输出数组的形状。

• 函数： np.random.gamma(shape, scale, size)

• 示例：

import numpy as np
shape = 2 # 形状参数
scale = 2 # 尺度参数
size = 1000
samples = np.random.gamma(shape, scale, size)
print(f"模拟 {size} 次 Gamma 分布，形状参数为 {shape}，尺度参数为 {scale}:")
print(samples[:20])
​

可视化：

import matplotlib.pyplot as plt
plt.hist(samples, bins=50, density=True, alpha=0.7, color='khaki')
plt.xlabel("值")
plt.ylabel("概率密度")
plt.title("Gamma 分布直方图")
plt.show()
​

应用场景： 模拟等待时间、保险索赔金额等。

5. 均匀分布 (Uniform Distribution)

虽然前面已经介绍过，但这里再次强调，np.random.uniform 可以生成指定范围内的均匀分布随机数。

• 参数：

  • low: 下界 (包含)。

  • high: 上界 (不包含)。

  • size: 输出数组的形状。

• 函数： np.random.uniform(low, high, size)

• 示例：

import numpy as np
low = 0
high = 10
size = 1000
samples = np.random.uniform(low, high, size)
print(f"模拟 {size} 次均匀分布，范围为 [{low}, {high}):")
print(samples[:20])
​

可视化：

import matplotlib.pyplot as plt
plt.hist(samples, bins=50, density=True, alpha=0.7, color='plum')
plt.xlabel("值")
plt.ylabel("概率密度")
plt.title("均匀分布直方图")
plt.show()
​

应用场景： 模拟随机事件、密码生成等。

6. 正态分布 (Normal Distribution)

也称为高斯分布，是最常见的分布之一。

• 参数：

  • loc: 均值 (mean)。

  • scale: 标准差 (standard deviation)。

  • size: 输出数组的形状。

• 函数： np.random.normal(loc, scale, size)

• 示例：

import numpy as np
loc = 0 # 均值
scale = 1 # 标准差
size = 1000
samples = np.random.normal(loc, scale, size)
print(f"模拟 {size} 次正态分布，均值为 {loc}，标准差为 {scale}:")
print(samples[:20])
​

可视化：

import matplotlib.pyplot as plt
plt.hist(samples, bins=50, density=True, alpha=0.7, color='coral')
plt.xlabel("值")
plt.ylabel("概率密度")
plt.title("正态分布直方图")
plt.show()
​

应用场景： 模拟测量误差、金融数据等。

7. 其他分布

np.random 模块还提供了许多其他分布的随机数生成函数，例如：

• np.random.chisquare(): 卡方分布

• np.random.f(): F 分布

• np.random.standard_t(): 标准 t 分布

• np.random.weibull(): Weibull 分布

• np.random.pareto(): Pareto 分布

这些分布在特定的统计分析和模拟场景中非常有用。

总结

NumPy 的 np.random 模块提供了强大的随机数生成功能，支持多种概率分布。 掌握这些分布的用法，可以方便地进行各种模拟、统计分析和机器学习任务。 选择合适的分布取决于你所要模拟的现象的特性。 例如，二项分布适合模拟独立重复试验，泊松分布适合模拟稀有事件，指数分布适合模拟事件间隔时间。

流程图 (Mermaid):

这个流程图展示了使用 NumPy 生成不同分布随机数的步骤。 首先选择合适的概率分布，然后使用 np.random 模块中相应的函数生成随机数，最后可以对生成的随机数进行可视化和分析。