numpy.random.dirichlet¶

numpy.random.dirichlet(alpha, size=None)¶

从Dirichlet分布绘制样本。

从Dirichlet分布绘制尺寸k的尺寸样本。Dirichlet分布随机变量可以看作是Beta分布的多元泛化。Dirichlet pdf是贝叶斯推理中多项式的共轭前缀。

参数：	alpha：数组分布参数（k维的样本维度k）。 size：int或tuple的整数，可选输出形状。如果给定形状是例如`（m， n， k）`，则 `m * n * k`默认值为None，在这种情况下返回单个值。
返回：	samples：ndarray，绘制的样本，形状（大小，alpha.ndim）。

参数：

alpha：数组

分布参数（k维的样本维度k）。

size：int或tuple的整数，可选

输出形状。如果给定形状是例如（m， n， k），则 m * n * k默认值为None，在这种情况下返回单个值。

samples：ndarray，

绘制的样本，形状（大小，alpha.ndim）。

笔记

使用以下属性进行计算：对于每个维，从形状alpha_i的标准伽马生成器绘制随机样本y_i，然后 $X = \frac{1}{\sum_{i=1}^k{y_i}} (y_1, \ldots, y_n)$ 是Dirichlet分布。

参考文献

[R214]

David McKay，“Information Theory，Inference and Learning Algorithms”，第23章，http://www.inference.phy.cam.ac.uk/mackay/

[R215]

维基百科，“Dirichlet分布”，http://en.wikipedia.org/wiki/Dirichlet_distribution

例子

以维基百科中引用的示例为例，如果想要将字符串（每个初始长度为1.0）切割成不同长度的K个字节，则可以使用该分布，其中每个字段平均具有指定的平均长度，但允许一些变化相对尺寸的碎片。

>>> s = np.random.dirichlet((10, 5, 3), 20).transpose()

>>> plt.barh(range(20), s[0])
>>> plt.barh(range(20), s[1], left=s[0], color='g')
>>> plt.barh(range(20), s[2], left=s[0]+s[1], color='r')
>>> plt.title("Lengths of Strings")