python randint函数用法_python scipy stats.randint用法及代码示例「建议收藏」

大家好，又见面了，我是你们的朋友全栈君。

均匀离散随机变量。

作为一个实例rv_discrete类，randint对象从中继承了通用方法的集合(完整列表请参见下文)，并使用特定于此特定发行版的详细信息来完善它们。

注意：

的概率质量函数randint是：

对于k = low, …, high – 1。

randint需要low和high作为形状参数。

上面的概率质量函数以“standardized”形式定义。要转移分布，请使用loc参数。特别，randint.pmf(k, low, high, loc)等同于randint.pmf(k – loc, low, high)。

例子：

>>> from scipy.stats import randint

>>> import matplotlib.pyplot as plt

>>> fig, ax = plt.subplots(1, 1)

首先计算一下：

>>> low, high = 7, 31

>>> mean, var, skew, kurt = randint.stats(low, high, moments=’mvsk’)

显示概率质量函数(pmf)：

>>> x = np.arange(randint.ppf(0.01, low, high),

… randint.ppf(0.99, low, high))

>>> ax.plot(x, randint.pmf(x, low, high), ‘bo’, ms=8, label=’randint pmf’)

>>> ax.vlines(x, 0, randint.pmf(x, low, high), colors=’b’, lw=5, alpha=0.5)

或者，可以调用分发对象(作为函数)以固定形状和位置。这将返回固定固定给定参数的“frozen” RV对象。

冻结发行版并显示冻结的pmf：

>>> rv = randint(low, high)

>>> ax.vlines(x, 0, rv.pmf(x), colors=’k’, linestyles=’-‘, lw=1,

… label=’frozen pmf’)

>>> ax.legend(loc=’best’, frameon=False)

>>> plt.show()

检查的准确性cdf和ppf：

>>> prob = randint.cdf(x, low, high)

>>> np.allclose(x, randint.ppf(prob, low, high))

True

生成随机数：

>>> r = randint.rvs(low, high, size=1000)

方法：

rvs(low, high, loc=0, size=1, random_state=None)

随机变量。

pmf(k, low, high, loc=0)

概率质量函数。

logpmf(k, low, high, loc=0)

概率质量函数的对数。

cdf(k, low, high, loc=0)

累积分布函数。

logcdf(k, low, high, loc=0)

累积分布函数的日志。

sf(k, low, high, loc=0)

生存函数(也定义为1 – cdf，但sf有时更准确)。

logsf(k, low, high, loc=0)

生存函数的日志。

ppf(q, low, high, loc=0)

百分比点函数(的倒数cdf—百分位数)。

isf(q, low, high, loc=0)

逆生存函数(sf)。

stats(low, high, loc=0, moments=’mv’)

均值(‘m’)，方差(‘v’)，偏斜(‘s’)和/或峰度(‘k’)。

entropy(low, high, loc=0)

RV的(微分)熵。

expect(func, args=(low, high), loc=0, lb=None, ub=None, conditional=False)

函数(具有一个参数)相对于分布的期望值。

median(low, high, loc=0)

分布的中位数。

mean(low, high, loc=0)

分布的平均值。

var(low, high, loc=0)

分布的差异。

std(low, high, loc=0)

分布的标准偏差。

interval(alpha, low, high, loc=0)

包含分布的Alpha百分比的范围的端点