randn和normal之间的Python差异

我正在使用Python的

numpy.random

模块中的

randn

和

normal

函数。这些函数与我在手册中读到的函数非常相似（它们都与高斯分布有关），但有没有更细微的差异需要我注意？如果是这样，在什么情况下使用特定函数会更好？

randn

似乎给出了一些标准化正态分布的分布（平均值0和方差1）<代码>正常采用更多参数进行更多控制。因此，

rand

似乎只是一个方便的函数

描述 查看您在问题中链接的文档，我将强调一些关键区别：

正常：

numpy.random.normal(loc=0.0, scale=1.0, size=None)
# Draw random samples from a normal (Gaussian) distribution.

# Parameters :  
# loc : float -- Mean (“centre”) of the distribution.
# scale : float -- Standard deviation (spread or “width”) of the distribution.
# size : tuple of ints -- Output shape. If the given shape is, e.g., (m, n, k), then m * n * k samples are drawn.

因此，在本例中，您将生成一个通用正态分布（稍后将详细说明这意味着什么）

兰登：

numpy.random.randn(d0, d1, ..., dn)
# Return a sample (or samples) from the “standard normal” distribution.

# Parameters :  
# d0, d1, ..., dn : int, optional -- The dimensions of the returned array, should be all positive. If no argument is given a single Python float is returned.
# Returns : 
# Z : ndarray or float -- A (d0, d1, ..., dn)-shaped array of floating-point samples from the standard normal distribution, or a single such float if no parameters were supplied.

在本例中，您正在生成一个特定的正态分布，即标准分布

（简介）数学 现在，一些数学，这是真正需要得到你的问题的核心：

正态分布是一种分布，其中值更可能出现在平均值附近。自然界中有很多这样的案例。例如，达拉斯6月份的平均高温是95华氏度，一年内可能达到100华氏度，甚至105华氏度，但更典型的情况是接近95华氏度或97华氏度。类似地，它可能低至80，但85或90更有可能

因此，它从根本上不同于，比如说，均匀分布（滚动诚实的六面模具）

---

标准正态分布只是一个正态分布，其中平均值为0，方差（变量的数学项）为1

所以

和写作完全一样

numpy.random.randn(10, 10)

因为

numpy.random.normal

的默认值（loc=0，scale=1）实际上是标准分布

历史 为了让事情变得更加混乱，如以下所述：

与

np.random.normal(loc= mu, scale= sigma, ...)

---

问题是真正的专业化：在统计学中，高斯分布非常普遍，以至于出现了一些术语来进行讨论：

• 许多分布都是高斯分布，以至于高斯分布被认为是正态分布
• 好的建模，尤其是线性建模，要求所有元素“大小相同”（均值和方差相似）。因此，将分布重新划分为

  平均值=0

  和

  方差=1

  成为标准实践

---

---

*最后一点注意：我用“方差”一词从数学上描述了方差。有些人说标准差。方差仅仅等于标准差的平方。由于标准分布的方差=1，在这个标准分布的例子中，

方差==标准偏差

继@Mike Williamson关于方差、标准偏差的解释之后，我被发现试图计算 这里提供的例子是：

>>将numpy作为np导入
>>>2.5*np.随机。随机数n（2,4）+3
数组（[-1.13788245,2.54061141，-0.12769502,7.46200906]，
[-0.4780766 ,  1.70417835,  5.43802441,  4.71764135]])

这里需要注意的一点是，正态分布遵循符号N（均值，方差），而要使用

.randn（）

实现，需要将标准偏差或σ相乘，并将均值或μ添加到Numpy方法的标准正态输出中

注:

sqrt（方差）=标准偏差或sigma

例如

sqrt（6.25）=2.5

因此：

---

sigma*numpy.random.randn（2,4）+mean

我觉得它们不一样<代码>正态：从正态（高斯）分布中随机抽取样本

randn

：返回一个随机矩阵，其中包含来自“标准法线”的数据distribution@hughdbrown相同的分布，稍有不同的使用方式。他们最终调用相同的C函数（

rk_gauss

）。我认为，

randn

的存在主要是为了让MATLAB皈依者快乐。MATLAB

randn

似乎或多或少是相同的。啊，它们是在什么文件中定义的？我想是这样的，并在源代码中查找了一些，但我没有找到它。

numpy/random/mtrand/distributions.c

您的答案似乎很有趣。但是，若测量，比如说，是某个物体的速度，那个么如何产生噪声呢？噪波应仅包含正值。。？！如果是这样的话，正态分布就不能产生正值，对吗？我不确定我是否遵循了@Spider。如果我在跟踪你，你也会问值怎么会低于平均值。标准偏差的定义是平均值周围的变化。也就是说，在它上面和下面。这里没有足够的空间来进入它，但是看看，或者，哦，现在我明白你的意思了：是的，一个“速度”（不是速度，它是一个向量）必须只有正数。是的，正态分布允许负数。因此，正如你的直觉已经告诉你的那样，速度并不遵循正态分布。还有许多其他类型的分布，如泊松分布或二项式分布。如何用一些值来缩放randn给出的值，并将其视为sigma？正态分布的定义似乎不允许如此简单的缩放。@Nimi是的，当您执行变量替换时，确实会出现。（特别是阅读链接部分中关于从X到Z的部分，反之亦然。）唯一的“问题”是指数外出现了一个神奇的

1/sigma

。这是对整个积分进行缩放，以使概率密度缩放

sigma * np.random.randn(...) + mu

np.random.normal(loc= mu, scale= sigma, ...)