dask.array.random.laplace

dask.array.random.laplace¶

dask.array.random.laplace(*args, **kwargs)¶

从具有指定位置（或均值）和尺度（衰减）的拉普拉斯或双指数分布中抽取样本。

此文档字符串是从 numpy.random.mtrand.RandomState.laplace 复制的。

Dask 版本可能存在一些不一致性。

拉普拉斯分布类似于高斯/正态分布，但在峰值处更尖锐，尾部更肥大。它表示两个独立且同分布的指数随机变量之间的差异。

备注

新代码应使用 ~numpy.random.Generator 实例的 ~numpy.random.Generator.laplace 方法；请参阅 Quick start。

参数

loc浮点数或浮点数数组，可选: 分布峰值的位置，\(\mu\)。默认值为 0。
比例浮点数或浮点数数组，可选: \(\lambda\)，指数衰减。默认值为1。必须为非负数。
大小int 或 int 的元组，可选: 输出形状。如果给定的形状是，例如，(m, n, k)，那么会抽取 m * n * k 个样本。如果大小是 None``（默认），当 ``loc 和 scale 都是标量时，返回一个单一值。否则，会抽取 np.broadcast(loc, scale).size 个样本。

返回

出ndarray 或标量: 从参数化的拉普拉斯分布中抽取样本。

参见

random.Generator.laplace: 应用于新代码。

注释

它具有概率密度函数

\[f(x; \mu, \lambda) = \frac{1}{2\lambda} \exp\left(-\frac{|x - \mu|}{\lambda}\right).\]

拉普拉斯第一定律，源自1774年，指出误差的频率可以表示为误差绝对大小的指数函数，这导致了拉普拉斯分布。对于经济学和健康科学中的许多问题，这种分布似乎比标准的高斯分布更能更好地拟合数据。

参考文献

1: Abramowitz, M. 和 Stegun, I. A. (编). “带有公式、图表和数学表格的数学函数手册, 第9次印刷,” 纽约: Dover, 1972.
2: Kotz, Samuel, 等人。《拉普拉斯分布及其推广》，Birkhauser，2001年。
3: Weisstein, Eric W. “拉普拉斯分布” 来自 MathWorld–A Wolfram Web 资源。 https://mathworld.wolfram.com/LaplaceDistribution.html
4: Wikipedia, “拉普拉斯分布”, https://en.wikipedia.org/wiki/Laplace_distribution

示例

从分布中抽取样本

>>> loc, scale = 0., 1.  
>>> s = np.random.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)  

绘制高斯分布以进行比较：

>>> g = (1/(scale * np.sqrt(2 * np.pi)) *  
...      np.exp(-(x - loc)**2 / (2 * scale**2)))
>>> plt.plot(x,g)  

dask.array.random.超几何

dask.array.random.logistic