Ответ 1

Если вы хотите загрузиться, вы можете использовать random.choice() в своей наблюдаемой серии.

Здесь я предполагаю, что вы хотели бы немного сгладить это, и вы не заинтересованы в создании новых экстремальных значений.

Используйте pandas.Series.quantile() и равномерный генератор случайных чисел [0,1], как показано ниже.

Обучение

• Поместите свой случайный образец в серию pandas, вызовите эту серию S

Продукция

• Генерировать случайное число u между 0.0 и 1.0 обычным способом, например, random.random()
• return S.quantile(u)

Если вы предпочитаете использовать numpy, чем pandas, из быстрого чтения это похоже на то, что вы можете заменить numpy.percentile() в шаг 2.

Принцип работы:

Из образца S, pandas.Series.quantile() или numpy.percentile() используется для вычисления обратной функции кумулятивного распределения для метода Образец обратного преобразования, Функция квантиля или процентиля (относительно S) преобразует равномерное [0,1] псевдослучайное число в псевдослучайное число, имеющее диапазон и распределение выборки S.

Простой пример кода

Если вам нужно свести к минимуму кодирование и не хотите писать и использовать функции, которые возвращают только одну реализацию, то кажется, что numpy.percentile bests pandas.Series.quantile.

Пусть S - уже существующий образец.

u будут новые равномерные случайные числа

newR будет новым randoms, полученным из S-подобного распределения.

>>> import numpy as np

Мне нужен образец случайных чисел, которые нужно дублировать, чтобы положить в S.

Для создания примера я собираюсь поднять некоторые равномерные [0,1] случайные числа к третьей мощности и вызвать этот образец S. Выбирая таким образом генерировать образец примера, я буду знать заранее - от среднего значения, равного определенному интегралу от (x ^ 3) (dx), оцененного от 0 до 1, - что среднее значение S должно быть 1/(3+1)= 1/4= 0.25

В вашем приложении вам нужно будет что-то сделать вместо этого, возможно, прочитать файл, чтобы создайте массив numpy S, содержащий образец данных, распределение которого должно быть дублировано.

>>> S = pow(np.random.random(1000),3)  # S will be 1000 samples of a power distribution

Здесь я проверю, что среднее значение S равно 0,25, как указано выше.

>>> S.mean()
0.25296623781420458 # OK

получить min и max, чтобы показать, как работает np.percentile

>>> S.min()
6.1091277680105382e-10
>>> S.max()
0.99608676594692624

Функция numpy.percentile отображает 0-100 в диапазон S.

>>> np.percentile(S,0)  # this should match the min of S
6.1091277680105382e-10 # and it does

>>> np.percentile(S,100) # this should match the max of S
0.99608676594692624 # and it does

>>> np.percentile(S,[0,100])  # this should send back an array with both min, max
[6.1091277680105382e-10, 0.99608676594692624]  # and it does

>>> np.percentile(S,np.array([0,100])) # but this doesn't.... 
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/lib/python2.7/dist-packages/numpy/lib/function_base.py", line 2803, in percentile
    if q == 0:
ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

Это не так здорово, если мы генерируем 100 новых значений, начиная с униформы:

>>> u = np.random.random(100)

потому что он будет выходить из строя, а масштаб u равен 0-1 и 0-100.

Это будет работать:

>>> newR = np.percentile(S, (100*u).tolist()) 

который отлично работает, но может потребоваться его настройка, если вы хотите вернуть массив numpy

>>> type(newR)
<type 'list'>

>>> newR = np.array(newR)

Теперь у нас есть массив numpy. Пусть проверяется среднее значение новых случайных значений.

>>> newR.mean()
0.25549728059744525 # close enough

Ответ 2

При использовании numpy.random.normal вы можете передать аргументы ключевого слова для установки среднего и стандартного отклонения возвращаемого массива. Эти аргументы ключевого слова loc (средний) и scale (std).

import numpy as np
import matplotlib.pyplot as plt

N = 4000
mean = 1.0
std = 0.5
x = []

while len(x) < N:
    y = np.random.normal(loc=mean, scale=std, size=1)[0]
    if 0.0 <= y <= 1.0:
        x.append(y)

plt.hist(x)
plt.show()

Ответ 3

Если вы можете аппроксимировать функцию кумулятивной плотности для распределения (например, взяв cumsum of histogram), выборка из этого распределения становится тривиальной.

Sample uniformly p in interval [0.0,1.0]
Lookup the value of x at which cdf(x) == p

Я предполагаю, что это по существу то, что делает ответ с участием Pandas.

Ответ 4

Вы можете использовать выборку отбраковки: вы генерируете пары (z, y) с 0 <= y <= max (f (z)), пока не получите пару с y <= f (z). Сгенерированное случайное число равно z.

Преимущество метода заключается в том, что его можно использовать для любого распределения, но может потребоваться много итераций, пока вы не получите действительную пару (z, y).