pythonrandom函数用法_python numpy random.Generator.laplace用法及代码示例

从具有指定位置(或均值)和比例(衰减)的拉普拉斯或双 index 分布中抽取样本。

拉普拉斯分布与高斯/正态分布相似，但在峰值处更清晰，并且尾部更胖。它表示两个独立的，相同分布的 index 随机变量之间的差。

参数：loc： ： float 或 array_like of floats, 可选参数

位置

，分布峰值。默认值为0。

scale： ： float 或 array_like of floats, 可选参数

， index 衰减。默认值为1。必须为非负数。

size： ： int 或 tuple of ints, 可选参数

输出形状。如果给定的形状是(m, n, k)， 然后m * n * k抽取样品。如果尺寸是None(默认)，如果返回一个值loc和scale都是标量。除此以外，np.broadcast(loc, scale).size抽取样品。

返回值：out： ： ndarray或标量

从参数化的拉普拉斯分布中抽取样本。

注意：

具有概率密度函数

拉普拉斯的第一定律，始于1774年，指出误差的频率可以表示为误差绝对值的 index 函数，从而得出拉普拉斯分布。对于经济学和卫生科学中的许多问题，这种分布似乎比标准的高斯分布更好地对数据建模。

参考文献：

[1]M. Abramowitz和I.A. Stegun(编辑)。 “带有公式，图形和数学表的数学函数手册，第9次印刷”，纽约：多佛，1972年。

[2]Kotz，Samuel等等“拉普拉斯分布与归纳”，Birkhauser，2001年。

例子：

从分布中抽取样本

>>> loc, scale = 0., 1.

>>> s = np.random.default_rng().laplace(loc, scale, 1000)

显示样本的直方图以及概率密度函数：

>>> import matplotlib.pyplot as plt

>>> count, bins, ignored = plt.hist(s, 30, density=True)

>>> x = np.arange(-8., 8., .01)

>>> pdf = np.exp(-abs(x-loc)/scale)/(2.*scale)

>>> plt.plot(x, pdf)

绘制高斯以进行比较：

>>> g = (1/(scale * np.sqrt(2 * np.pi)) *

... np.exp(-(x - loc)**2 / (2 * scale**2)))

>>> plt.plot(x,g)