Python 理解scipy.stats.norm.rvs（）？

在

scipy.stats.norm.rvs（）

中，参数刻度表示标准偏差，但在下面的代码段中，sigma_列表表示数组。代码实际上是如何工作的

其中，通过以下代码获得sigma_列表：

sigma=0.06

mask=(x > 0.65) & (x < 0.8)

sigma_list=sigma+mask*0.03

sigma_list

y = sp.stats.norm.rvs(scale=sigma_list, size=200)

sigma=0.06
遮罩=（x>0.65）和（x<0.8）
西格玛列表=西格玛+掩码*0.03
西格玛表
y=sp.stats.norm.rvs（标度=sigma_列表，尺寸=200）

即使sigma_列表和y的标准偏差也不匹配

我想知道上述scipy模块的工作情况

---

抱歉，我没有提到x是代码中0到1之间的值数组，这里的

掩码将为True或False。所以，如果你做一些加法或减法，它分别被转换成1或0

然后，
sigma_list
的结果不是一个列表，也不是一个数组，而是一个浮点值。查看，您可以看到它的用法

rvs(loc=0, scale=1, size=1, random_state=None)

如果您查看（第2771行），您有：

loc：类似阵列，可选
位置参数（默认值为0）

大小：int或int的元组，可选
定义随机变量的数量（默认值为1）。请注意，
size
必须作为关键字而不是位置参数提供

随机状态：无或int或
np.random.RandomState
实例，可选
如果为int或RandomState，则使用它绘制随机变量。
如果没有，依赖于
self.random\u状态
。
默认值为“无”

首先，您应该创建一个名为
x
的变量。此变量的大小应为200，因为这是生成的随机变量
y
的大小

import numpy as np
x = np.linspace(0, 1, 200)

然后，
mask
选择大于0.65且小于0.8的
x
的每个样本。变量
mask
将是一个与
x
大小相同的布尔向量，即200个样本。此掩码将具有值为True或False的样本。对于满足条件（
0.65
）的阵列
x
的每个样本，掩码的对应样本的值将为真，否则为假

将布尔值乘以一个数字时，布尔值表现为值为0（False）或1（True）的整数。因此，乘法
mask*0.03
结果为0.03，其中
0.65
，否则为0

所以这段代码的作用很简单：


对于
0.65
，标准偏差为0.06+0.03，即0.09
否则，标准偏差将为0.06

x
缺少一些代码。
sigma\u list
和
y
的标准偏差不同，因为您的样本很小。例如，设置
size=20000
和
std（y）
将接近
sigma\u list
。这仅适用于x是标量的情况。@MaxPowers
>>x=0.7>>掩码=（x>0.65）和（x<0.8）>>掩码真值
是<在您的示例中，code>x

是一个标量。如果

x

是一个数组，上面的表达式将返回一个布尔数组，这将导致

.rvs（）

抛出一个

ValueError

。哦，是的。我没有那样理解它。x是一个数组，我忘了提到