Python dask.array.random.normal用法及代碼示例

用法:
dask.array.random.normal(loc=0.0, scale=1.0, size=None, chunks='auto', **kwargs)

從正態(高斯)分布中抽取隨機樣本。

此文檔字符串是從 numpy.random.mtrand.RandomState.normal 複製而來的。

可能存在與 Dask 版本的一些不一致之處。

正態分布的概率密度函數首先由 De Moivre 導出，200 年後由 Gauss 和 Laplace 獨立導出[2]，由於其特征形狀，通常被稱為鍾形曲線(參見下麵的示例)。

正態分布在自然界中經常發生。例如，它說明了受大量微小隨機幹擾影響的樣本的普遍分布，每個幹擾都有自己獨特的分布[2]。

注意

新代碼應改為使用default_rng() 實例的normal 方法；請參閱快速入門。

參數：

loc：浮點數或類似數組的浮點數: 分布的平均值 (“centre”)。
scale：浮點數或類似數組的浮點數: 分布的標準差(spread 或“width”)。必須是非負數。
size：int 或整數元組，可選: 輸出形狀。例如，如果給定的形狀是 (m, n, k) ，則繪製 m * n * k 樣本。如果 size 為 None(默認)，如果 loc 和 scale 都是標量，則返回單個值。否則，將抽取np.broadcast(loc, scale).size 樣本。

out：ndarray 或標量: 從參數化正態分布中抽取樣本。

注意：

高斯分布的概率密度為

\[p(x) = \frac{1}{\sqrt{ 2 \pi \sigma^2 }} e^{ - \frac{ (x - \mu)^2 } {2 \sigma^2} },\]

其中\(\mu\) 是平均值，\(\sigma\) 是標準差。標準差的平方 \(\sigma^2\) 稱為方差。

該函數在平均值處有其峰值，其 “spread” 隨著標準差的增加而增加(函數在 \(x + \sigma\) 和 \(x - \sigma\) [2] 處達到其最大值的 0.607 倍)。這意味著 normal 更有可能返回接近平均值的樣本，而不是遠離平均值的樣本。

參考：

1: 維基百科，“Normal distribution”，https://en.wikipedia.org/wiki/Normal_distribution
2(1、2、3): P. R. Peebles Jr.，“Central Limit Theorem”，“概率、隨機變量和隨機信號原理”，第 4 版，2001 年，第 51、51、125 頁。

例子：

從分布中抽取樣本：

>>> mu, sigma = 0, 0.1 # mean and standard deviation  
>>> s = np.random.normal(mu, sigma, 1000)

驗證均值和方差：

>>> abs(mu - np.mean(s))  
0.0  # may vary

>>> abs(sigma - np.std(s, ddof=1))  
0.1  # may vary

顯示樣本的直方圖以及概率密度函數：

>>> import matplotlib.pyplot as plt  
>>> count, bins, ignored = plt.hist(s, 30, density=True)  
>>> plt.plot(bins, 1/(sigma * np.sqrt(2 * np.pi)) *  
...                np.exp( - (bins - mu)**2 / (2 * sigma**2) ),
...          linewidth=2, color='r')
>>> plt.show()

Two-by-four 來自 N(3, 6.25) 的樣本數組：

>>> np.random.normal(3, 2.5, size=(2, 4))  
array([[-4.49401501,  4.00950034, -1.81814867,  7.29718677],   # random
       [ 0.39924804,  4.68456316,  4.99394529,  4.84057254]])  # random

相關用法

注：本文由純淨天空篩選整理自dask.org大神的英文原創作品 dask.array.random.normal。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

注意：

參考：

例子：