python中集成半高斯曲线的随机性算法？_Python_Random

python中集成半高斯曲线的随机性算法？

python random

python中集成半高斯曲线的随机性算法？,python,random,Python,Random,目前，python有这样一个集成的随机算法： random.randint（0，x）此函数生成从0到x的随机数。到现在为止，一直都还不错。问题是，我希望这个算法在某种程度上起作用，0下降的几率更大，然后是1，然后一直上升到x，就像一条半高斯曲线，而不是平均值在中心，0是。我也在考虑指数下降而不是线性下降。python中是否存在此类算法？该模块有许多概率函数可供选择。例如： import scipy.stats as stats import matplotlib.pyplot as plt

目前，python有这样一个集成的随机算法：

random.randint（0，x）

此函数生成从0到x的随机数。到现在为止，一直都还不错。问题是，我希望这个算法在某种程度上起作用，0下降的几率更大，然后是1，然后一直上升到x，就像一条半高斯曲线，而不是平均值在中心，0是。我也在考虑指数下降而不是线性下降。python中是否存在此类算法？

该模块有许多概率函数可供选择。例如：

import scipy.stats as stats
import matplotlib.pyplot as plt

x = stats.expon.rvs(size=10000)
plt.hist(x, 70, histtype="stepfilled", alpha=.7);

模块有许多概率函数可供选择。例如：

import scipy.stats as stats
import matplotlib.pyplot as plt

x = stats.expon.rvs(size=10000)
plt.hist(x, 70, histtype="stepfilled", alpha=.7);

您应该认真研究@elyase提到的

scipy.stats

，但是如果您想要一个纯python解决方案，您可以使用Box-Muller变换从高斯采样，并仅保持点>=0，以获得所谓的“半高斯”：

@pjs的评论指出，通过注意Box-Muller变换为每个调用提供两个高斯数，并且平均值为零的高斯数对称地以原点为中心（因此我们不需要拒绝，只需返回负数），可以将此解决方案的速度提高两到四倍。这些都是有效的观点，可以合并到一个更复杂的答案中——上面的解决方案旨在简单地说明如何对分布进行采样

正如@elyase所提到的，您应该认真研究

scipy.stats

，但是如果您想要一个纯python解决方案，您可以使用Box-Muller变换从高斯采样，并且只保持点>=0，以获得所谓的“半高斯”：

这是蒙特卡罗抽样中非常常见的事情。每个分布都可以用它的概率密度函数（PDF）来描述，例如高斯分布，但它也有一个累积密度函数。使用，您可以在

和

之间随机取样，然后从所需的分布中取样。希望这足以让你开始谷歌搜索，因为覆盖所有这些内容太广了，无法在堆栈溢出答案中覆盖。您可以使用参数

指定每个值的概率。这是蒙特卡罗采样中非常常见的事情。每个分布都可以用它的概率密度函数（PDF）来描述，例如高斯分布，但它也有一个累积密度函数。使用，您可以在

和

之间随机取样，然后从所需的分布中取样。希望这足以让你开始谷歌搜索，因为覆盖所有这些内容太广了，无法在堆栈溢出答案中覆盖。你可以用参数

来指定每个值的概率。鬼鬼祟祟的忍者在里面导入seaborn，让你的图看起来更好看一些。：）@上钩，有罪，：-）。顺便说一句，这是一个不错的纯python解决方案。鬼鬼祟祟的忍者在那里导入seaborn，让你的情节看起来更好一些。：）@上钩，有罪，：-）。顺便说一句，你的纯python解决方案很不错。你的解决方案有几个缺点。1）使用

math.pi

而不是键入的有限精度文字。2） Box-Muller使用两种均匀性，通过计算随机生成的角度的余弦和正弦来生成两个独立的高斯。如果不返回一个元组，就浪费了一半的潜在值。3）在

demi_gaussian

函数中，如果得到负高斯分布，则无需拒绝和循环-因为高斯分布是对称的，您只需返回绝对值即可。@pjs所有有效点-这是一个快速演示解决方案的例子。1] 我同意，我会改变的。2] 我意识到我扔掉了一半的计算，这是出于教学的原因，这样OP就可以看到单一输出的清晰链条。3] 这仅适用于对称函数约为零的情况。虽然这里是真的，但我觉得我应该说明拒绝的一般蒙特卡罗方法。谢谢你的意见！你的解决方案有几个小毛病要挑。1）使用

math.pi

demi_gaussian