Numpy “你能”吗；强迫`scipy.stats.norm.rvs`是否输出正值？

这可能是一个幼稚的问题，但我找不到任何关于它的帖子，所以我认为问这个问题可能有用。我发现一个分布可能很适合我的数据，但我所有的数据点在现实生活中都是积极的（-1是不可能的）

有没有办法强制

.rvs

只输出正值？

我想到了一些方法，但它们似乎占用了大量的CPU资源，比如制造出比我需要的更多的值，然后对所有正值和

np.random.choice

进行布尔掩码有更好的方法吗？

我在文档中没有看到任何关于这方面的信息：

我发现这并没有产生任何结果： 及

---

取决于您希望保持的分布的真实程度。如果你只想要正值，它不是一个正态分布，因为你永远不会得到负值

---

但是，您可以使用

abs（output）

强制正值，其中output是您要查找的

numpy.ndarray

：一个截断的正态连续随机变量

例如，尝试：

>>> from scipy import stats
>>> import numpy as np
>>> np.random.seed(0)
>>> params = (0.00169906712999, 0.00191866845411)
>>> params[0] + stats.truncnorm.rvs(-params[0]/params[1], np.infty, size=10, scale=params[1])
array([ 0.00235414,  0.00310856,  0.00258259,  0.00233789,  0.00185298,
        0.00277454,  0.00190764,  0.00429671,  0.00532165,  0.00169576])

stats.truncnorm.rvs

的前两个参数是截断限制。因为这些是为正态分布计算的（平均值=0 std dev=1），所以我们必须适当地调整参数

我们使用

np.infty

作为范围的上限，因为我们不希望对上限进行任何截断

验证所有输出均为负 让我们看看100000个样本的最小和最大输出：

>>> np.random.seed(0)
>>> np.min(params[0] + stats.truncnorm.rvs(-params[0]/params[1], np.infty, size=100000, scale=params[1]))
1.9136656654716172e-08
>>> np.max(params[0] + stats.truncnorm.rvs(-params[0]/params[1], np.infty, size=10000, scale=params[1]))
0.0088294835649150548

---

正如你所看到的，最小值从不为负。最大值比平均值高出几个标准偏差。

只要标准偏差（第二个参数，

scale

）大于平均值（第一个参数，

loc

），

.rvs（）

将始终有机会输出负数。或半范数，在这种特殊情况下，是否有任何方法可以将此应用于所有分发？这绝对是正常的。谢谢你提供答案的细节。如果没有这些示例，我可能会对实现它感到困惑@ev br如果OP使用平均值为0的分布，则为正常值的一半。但是，看看问题中显示的细节，平均值是非零的

params[0]

。@O.rka提供了一些其他截断分布，例如截断指数分布和截断Gumbel分布。对于其他发行版，可能会产生暴力：生成样本，丢弃超出范围的样本，然后重复，直到生成足够的样本。@John1024 halfnorm with loc=params[0]谢谢。对于非正态分布，我将尝试这个方法。我还想用高通滤波器屏蔽所有的负值。我试图应用它的数据集的范围是0-1，而且非常稀疏。

abs（）

的问题是，你实际上是在将正态分布本身折叠起来，这导致它偏离高斯形状。最终，从峰值位于所需平均值且次峰值上升为零的分布中进行采样。

>>> np.random.seed(0)
>>> np.min(params[0] + stats.truncnorm.rvs(-params[0]/params[1], np.infty, size=100000, scale=params[1]))
1.9136656654716172e-08
>>> np.max(params[0] + stats.truncnorm.rvs(-params[0]/params[1], np.infty, size=10000, scale=params[1]))
0.0088294835649150548