Python SciPy qmc.MultinomialQMC用法及代碼示例

本文簡要介紹 python 語言中 scipy.stats.qmc.MultinomialQMC 的用法。

用法:

class  scipy.stats.qmc.MultinomialQMC(pvals, n_trials, *, engine=None, seed=None)#

來自多項分布的 QMC 抽樣。

參數 ：：

pvals： 數組 (k,)

大小概率向量 k ，其中 k 是類別數。元素必須為非負且總和為 1。

n_trials： int

試驗次數。

engine： QMCEngine，可選

Quasi-Monte 卡羅引擎采樣器。如果沒有，則使用 Sobol 。

seed： {無，整數， numpy.random.Generator }，可選

僅在以下情況下使用引擎是無。如果種子是 int 或 None，一個新的numpy.random.Generator是使用創建的np.random.default_rng(seed).如果種子已經是一個Generator實例，然後使用提供的實例。

例子：

讓我們定義 3 個類別，對於給定的樣本，每個類別的試驗總和為 8。每個類別的試驗數量由與每個類別關聯的 pval 確定。然後，我們對該分布進行 64 次采樣。

>>> import matplotlib.pyplot as plt
>>> from scipy.stats import qmc
>>> dist = qmc.MultinomialQMC(
...     pvals=[0.2, 0.4, 0.4], n_trials=10, engine=qmc.Halton(d=1)
... )
>>> sample = dist.random(64)

我們可以繪製樣本並驗證每個類別的試驗次數中位數是否遵循普瓦爾斯。那將是pvals * n_trials = [2, 4, 4].

>>> fig, ax = plt.subplots()
>>> ax.yaxis.get_major_locator().set_params(integer=True)
>>> _ = ax.boxplot(sample)
>>> ax.set(xlabel="Categories", ylabel="Trials")
>>> plt.show()