Python 根据每个变量的概率选择列表变量 我一直试图编写一个程序，它使用中间的SoftMax激活函数。

现在，我有一个这样的概率列表：

P[0.10,0.25,0.60,0.05]

p中所有变量的和总是1

我想找到一种方法，根据所附的概率来选择列表的索引。 或者，换句话说，一个返回

0 - 10% of the time
1 - 25% of the time
2 - 60% of the time
3 - 5% of the time

---

我完全不知道从哪里开始。任何帮助都将不胜感激。：）

嗯，有意思，那

生成一个介于0和1之间的数字

从你的数字中减去每一项的概率

选择一个项目，经过减法运算后，将您的数字降到0或以下

这很简单，O（n）应该可以：）

importrandom
概率=[0.1,0.25,0.6,0.05]
r=random.random（）
索引=0
而（r>=0且指数

基本上，制作一个（CDF）数组。基本上，给定索引的CDF值等于等于或小于该索引的P中所有值的总和。然后生成一个介于0和1之间的随机数，并进行二进制搜索（如果需要，也可以进行线性搜索）。这里有一些简单的代码

from bisect import bisect
from random import random

P = [0.10,0.25,0.60,0.05]

cdf = [P[0]]
for i in xrange(1, len(P)):
    cdf.append(cdf[-1] + P[i])

random_ind = bisect(cdf,random())

当然，您可以生成一组随机索引，如下所示

rs = [bisect(cdf, random()) for i in xrange(20)]

屈服

[2, 2, 3, 2, 2, 1, 2, 2, 2, 1, 2, 1, 2, 1, 2, 1, 2, 2, 2, 2]

---

（结果将会而且应该有所不同）。当然，对于如此少的可能索引，二进制搜索是相当不必要的，但对于具有更多可能索引的分布，绝对建议使用二进制搜索。

这个问题相当于从一个样本中进行采样。该分布通常与多项式分布合并，多项式分布对分类分布中多个样本的结果进行建模

在numpy中，很容易使用从多项式分布中采样，但不存在这种情况的特定分类版本。然而，它可以通过一次试验从多项式分布中取样，然后返回输出中的非零元素来实现

import numpy as np
pvals = [0.10,0.25,0.60,0.05]
ind = np.where(np.random.multinomial(1,pvals))[0][0]

---

使用numpy可以轻松实现这一点。它有一个接受概率参数的函数

np.random.choice(
  ['pooh', 'rabbit', 'piglet', 'Christopher'], 
  5,
  p=[0.5, 0.1, 0.1, 0.3]
)

---

哈哈，在你发帖前2秒，我想我是原创的。这总是需要O（n）时间，其中n是len（probs）。我们能做得更好吗？@Sush是的：我们可以对问题进行排序并进行二进制搜索。这将减少到O（log n）。我认为使用argmax（）而不是where（）[0][0]更简单，而且效果也一样。您所寻找的是加权随机生成，虽然它不是内置的，但确实有。实际上，从Python 3.6开始，有

随机。选择

（请注意结尾的“s”）它允许提交相对权重。简明，尽管我认为

numpy

在这里有点过分，特别是如果脚本没有超出标准库的依赖项，如果概率以降序的方式预先排序，它会有所帮助-迭代可能会更快地终止。

np.random.choice(
  ['pooh', 'rabbit', 'piglet', 'Christopher'], 
  5,
  p=[0.5, 0.1, 0.1, 0.3]
)