在python中使用np.random.multinomial（）

我有一项任务，从阿尔法列表[a，b，c，d]的总体中随机选择100个元素，其频率（概率）[0.1,0.3,0.2,0.4]。 有很多不同的方法可以做到这一点。但在这里，我希望在这个函数调用（假设有一个）之后返回的是所选元素数量的列表。比如说，它返回（20,20,30,30），那么它意味着选择了元素a中的20个，选择了元素c中的20个，以此类推。 我认为np.random.multinomial是一个不错的选择。按照上面的例子，我需要调用函数np.random.multinomial（100，[0.1,0.3,0.2,0.4]，1）。是这样吗？谢谢

相关的：

---

是的，

np.随机多项式（100，[0.1,0.3,0.2,0.4]，1）

是正确的。但是由于你只画了一张图，你可能更喜欢简单的np.random.多项式（100，[0.1,0.3,0.2,0.4]）（没有

，1

），它返回一个数组而不是一个数组的数组。

我同意JulienD的观点。“选择”这个词和给定的概率并不一致

• 当使用“选择”时，我们指的是没有顺序的排列
• 当使用给定的概率时，我们的意思是这些概率是恒定的（除非说明它是有条件的）。因此，项目被“分配”到具有给定概率的类别

当然，类别中的计数不是100*概率。这将是长期的预期价值。就像你扔出一枚公平的硬币，你不会期望它是HTHTHT…HT。但从长远来看，H的数量将占总投掷次数的一半

import numpy.random as npr
npr.seed(123)
npr.multinomial(100, [0.1,0.3,0.2,0.4], 1)
# Out: array([[11, 27, 18, 44]])

随着模拟次数的增加，概率将收敛到给定的概率

simulations = 1000
sum(npr.multinomial(100, [0.1,0.3,0.2,0.4], simulations))/simulations/100
#Out:array([ 0.09995,  0.29991,  0.19804,  0.4021 ])

---

为了实现目的，我希望这是正确的。但我感觉到有些不对劲。因为多项式分布更像是带替换的选择，因为概率首先是给定和固定的。对于这个问题，我想要的更像是选择而不替换，对吗？你的100个元素中的每一个最终都将属于4个类别中的一个，以给定的概率。这里没有替换的概念，因为您不是选择而是分配。把它想象成一棵树，每个分支上都有一个概率。选择和分配有什么区别？有两个不同的问题。您不需要类别来从100个元素中进行选择。从100个选项中选择10个：

np.random.choice（范围（100），10）

，您可以添加

replace=False

来绘制而不进行替换。但是你想在这里做的（以及用多项式做的）相当于np.random.choice（范围（4），100，replace=True，p=[0.1,0.3,0.2,0.4]）那么，范围（4）意味着有4个类别？np.random.choice（范围（4），100，replace=True，p=[0.1,0.3,0.2,0.4]）意味着在4个类别中，我们将选择100个元素？一般来说，我们并不关心整个人口中有多少元素？（假设总体是我们要从中选择100个元素的总体）。是这样吗？你看到我的评论了吗？我想要的是从一个包含10%元素a、30%元素b、20%元素c和40%元素d的总体中均匀随机地选择100个元素。你所做的选择是对类别的选择（四分之一，你选择100次），而不是对个人的选择，而是对替换的选择。未选择个人，而是将其分配到其中一个类别。