使用numpy.random.multivariate_normal生成多元正态分布的数组
multivariate_normal(mean, cov, size=None, check_valid=None, tol=None)
mean:是多维分布的均值
cov:协方差矩阵,注意:协方差矩阵必须是对称的且需为半正定矩阵;
size:指定生成的正态分布矩阵的维度eg:若size=(1, 1, 2),则输出的矩阵的shape即形状为 1X1X2XN(N为mean的长度)
check_valid:这个参数用于决定当cov即协方差矩阵不是半正定矩阵时程序的处理方式。它一共有三个值:warn,raise以及ignore:
当使用warn作为传入的参数时,如果cov不是半正定的程序会输出警告但仍旧会得到结果;
当使用raise作为传入的参数时,如果cov不是半正定的程序会报错且不会计算出结果;
当使用ignore时忽略这个问题即无论cov是否为半正定的都会计算出结果。
size: 指定生成矩阵的维度,若size=(1, 1, 2),则输出的矩阵的 shape 即形状为 1X1X2XN(N为mean的长度);
以下为应用例子:
import numpy as np
import random
mu=np.array([[0, 0],[100, 100]]) #第一行均值为0,第二行均值为100
sigma=np.array([[1, 0],[0, 1]])
number=random.normalvariate(mu, sigma)
打印结果:number
array([[ 0.97823808, 0. ], [100. , 100.97823808]])
以下为简写形式:
import numpy as np
import random
mu=np.array([[0], [100]])
sigma = np.array([1,1])
sigma = np.diag(sigma) #生成对角矩阵
number=random.normalvariate(mu, sigma)
打印结果相同:number
array([[ 0.97823808, 0. ], [100. , 100.97823808]])
若矩阵的行和列不相等,且每一行需要生成相同的分布:
import numpy as np
import random
mu=np.array([0, 100])
sigma = np.array([1,1])
mu_matrix = np.expand_dims(mu,1).repeat(3,axis=1)
sigma_matrix = np.expand_dims(sigma,1).repeat(3,axis=1)
number=random.normalvariate(mu_matrix , sigma_matrix)
打印结果:number
array([[-4.12208278e-02, -4.12208278e-02, -4.12208278e-02], [ 9.99587792e+01, 9.99587792e+01, 9.99587792e+01]])
注:这里使用到了np.expand_dims(arr, axis)。其中,arr是要进行维度扩展的数组,axis是要插入新维度的位置。axis参数可以是一个整数或者一个元组,用于指定要插入新维度的位置。
若需要保证结果可以重现,则可以控制随机种子:
import numpy as np
import random
seed=42
random.seed(seed)
mu=np.array([0, 100])
sigma = np.array([1,1])
mu_matrix = np.expand_dims(mu,1).repeat(3,axis=1)
sigma_matrix = np.expand_dims(sigma,1).repeat(3,axis=1)
number=random.normalvariate(mu_matrix , sigma_matrix)
打印结果:number
array([[ 0.24532634, 0.24532634, 0.24532634], [100.24532634, 100.24532634, 100.24532634]])