Python 如何对几个具有不同分布的数字进行采样？

假设我有自己的自定义分布numpy向量，名为

p

然后

p

满足以下条件：

np.ndim(p) == 1 & np.sum(p) == 1 & np.all(p >= 0)

有了这个向量，我可以很容易地用

np.random.choice（np.arange（len（p）），p=p）对
[0，p.shape]
中的一个数字进行采样

在一个例子中，我有许多这样的
p
s，我有一个矩阵（带dim 2）
p
，它满足：

np.sum(P[:,i]) == 1   # for all i in P.shape[1]
np.all(P >= 0)

然后我想用概率p对0到
p.shape[0]
范围内的
p.shape[1]
数字进行采样

例如，下一个代码：

P = np.array([[0.2, 0.3],
              [0.5, 0.7],
              [0.3, 0]])
x = np.random.choice(np.arange(P.shape[0], P[:,0]))
y = np.random.choice(np.arange(P.shape[0], P[:,1]))

将产生我的遗嘱（
x=0
in
0.2
，
x=1
in
0.5
和
x=2
in
0.3
和
y=0
in
0.3
，
y=1
in
0.7
）

在我的例子中，
p
有许多列，我希望在一次拍摄中对所有列进行采样

当然，我可以在for循环中完成，例如：

random_values = np.empty(P.shape[1])
arange_arr = np.arange(P.shape[0])
for i in range(P.shape[1]):
    random_values[i] = np.random.choice(arange_arr, p=P[:,i])

试着找到一些简单优雅的方法来做这件事。
你可以这样做：

P = np.array([[0.2, 0.3],
              [0.5, 0.7],
              [0.3, 0]])
P_upper = np.cumsum(P, axis=0)
P_lower = np.concatenate((np.zeros((1, P.shape[1])), P_upper[:-1, :]), axis=0)

这将创建一组可以数字化的箱子。现在生成0到1之间的随机数：

r = np.random.rand(10, P.shape[1])

有几种方法可以将数据分配到正确的存储箱。快速且相对低效的方法是使用布尔掩码：

mask = (r[None, ...] >= P_lower[:, None, :]) & (r[None, ...] < P_upper[:, None, :])
result = np.argmax(mask, axis=0)

TL；DR

def multi_sample(p, n):
    ps = np.cumsum(p, axis=0)
    r = np.random.rand(n, ps.shape[1])
    offset = np.arange(P.shape[1])
    ind = np.searchsorted((P_upper + offset).ravel('F'), (r + offset).ravel('F')).reshape(r.shape, order='F')
    return ind - offset * P.shape[0]

太长了，读不下去了。谢谢你，我希望在MUYY/SCIPY……= @ @沙克中有一些内置函数。你可以自己制作实用程序。这不应该是个问题。我会添加TL；DRthanks。我想TL；DR可能在答案开始时更好，不是吗？@沙克。因为它代表“太长了，没读过”。，我相信习惯上会把它放在最后，在那里你可以滚动到它经过主帖子。另外，向上投票也很好。
def multi_sample(p, n):
    ps = np.cumsum(p, axis=0)
    r = np.random.rand(n, ps.shape[1])
    offset = np.arange(P.shape[1])
    ind = np.searchsorted((P_upper + offset).ravel('F'), (r + offset).ravel('F')).reshape(r.shape, order='F')
    return ind - offset * P.shape[0]