Python dask.array.random.standard_cauchy用法及代码示例

用法:
dask.array.random.standard_cauchy(size=None, chunks='auto', **kwargs)

从众数 = 0 的标准柯西分布中抽取样本。

此文档字符串是从 numpy.random.mtrand.RandomState.standard_cauchy 复制而来的。

可能存在与 Dask 版本的一些不一致之处。

也称为洛伦兹分布。

注意

新代码应改为使用default_rng() 实例的standard_cauchy 方法；请参阅快速入门。

参数：

size：int 或整数元组，可选: 输出形状。例如，如果给定的形状是 (m, n, k) ，则绘制 m * n * k 样本。默认为无，在这种情况下返回单个值。

samples：ndarray 或标量: 抽取的样本。

注意：

完整柯西分布的概率密度函数为

\[P(x; x_0, \gamma) = \frac{1}{\pi \gamma \bigl[ 1+ (\frac{x-x_0}{\gamma})^2 \bigr] }\]

标准柯西分布只设置\(x_0=0\)和\(\gamma=1\)

柯西分布出现在驱动谐振子问题的解决方案中，也说明了谱线展宽。它还说明了以随机角度倾斜的线将切割 x 轴的值的分布。

在研究假设正态性的假设检验时，查看检验对来自柯西分布的数据的执行情况可以很好地表明它们对 heavy-tailed 分布的敏感性，因为柯西分布看起来非常像高斯分布，但尾部较重。

参考：

1: NIST/SEMATECH e-Handbook of Statistical Methods, “Cauchy Distribution”,https://www.itl.nist.gov/div898/handbook/eda/section3/eda3663.htm
2: Weisstein, Eric W. “柯西分布”。来自MathWorld-A Wolfram Web 资源。http://mathworld.wolfram.com/CauchyDistribution.html
3: 维基百科，“Cauchy distribution” https://en.wikipedia.org/wiki/Cauchy_distribution

例子：

绘制样本并绘制分布图：

>>> import matplotlib.pyplot as plt  
>>> s = np.random.standard_cauchy(1000000)  
>>> s = s[(s>-25) & (s<25)]  # truncate distribution so it plots well  
>>> plt.hist(s, bins=100)  
>>> plt.show()

相关用法

注：本文由纯净天空筛选整理自dask.org大神的英文原创作品 dask.array.random.standard_cauchy。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

注意：

参考：

例子：