numpy 一次绘制几个伯努利分布答案

【问题标题】：numpy draw a few bernoulli distributions at oncenumpy 一次绘制几个伯努利分布
【发布时间】：2016-04-04 09:03:45
【问题描述】：

假设我想立即从伯努利分布列表中提取，例如概率[0.1, 0.2, 0.3]。我可以使用 for 循环来做到这一点，但有没有更好的 numpy 方式（使用 scipy 也可以）？

ps = [0.1, 0.2, 0.3]
[np.random.choice(2, p=[1 - p, p]) for p in ps]

【问题讨论】：

标签： python numpy random

【解决方案1】：

你可以从二项式中画出n=1，这相当于伯努利。由于二项式接受一个数组作为概率参数，您可以使用：

np.random.binomial(1, p=ps)

您可以通过为某些元素提供非常小/大的概率并多次调用该函数来测试它是否有效。

例如，让ps = [0.23, 0.48, 0.64, 0.98]

In [90]: np.sum([np.random.binomial(1,p=ps) for i in range(100000)], axis=0)
Out[90]: array([23000, 48115, 64128, 97957])

【讨论】：

【解决方案2】：

我建议宁愿使用(np.random.uniform(size=d) < probs) * 1，其中probs 是您的概率向量。这会生成统一的随机变量，然后将其阈值为0 或1，获得1 的概率正是您在probs 中所拥有的。

如果您只需要几个伯努利变量并且只需要一次 np.random.binomial 的解决方案应该没问题。但是，它似乎比使用均匀分布生成伯努利变量慢几倍。例如，如果我们有一些随机的概率向量 probs = np.uniform(size=10000), 然后我们得到

%timeit np.random.binomial(n=1, p=probs, size=10000)
Result: 775 µs ± 5.35 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

%timeit (np.random.uniform(size=10000) < probs) * 1
Result: 103 µs ± 510 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

【讨论】：