numpy.random.laplace¶

numpy.random.laplace(loc=0.0, scale=1.0, size=None)¶

从拉普拉斯或指定位置（或平均值）和比例（衰减）的双指数分布绘制样本。

拉普拉斯分布与高斯/正态分布类似，但是在峰值处更尖锐，并且具有较窄的尾部。它表示两个独立的，相同分布的指数随机变量之间的差异。

参数：	loc：float，可选分布峰的位置， $\mu$ 。 scale：float，可选 $\lambda$ ，指数衰减。 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或float

参数：

loc：float，可选

分布峰的位置， $\mu$ 。

scale：float，可选

$\lambda$ ，指数衰减。

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或float

笔记

它具有概率密度函数

拉普拉斯的第一定律，从1774年，指出误差的频率可以表示为误差的绝对幅度的指数函数，其导致拉普拉斯分布。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高斯分布更好地建模数据。

参考文献

[R228]

Abramowitz，M。和Stegun，I。一个。（Eds。）。“Handbook of Mathematical Functions with Formula，Graphs，and Mathematical Tables，9th printing，”New York：Dover，1972。

[R229]

Kotz，Samuel，et。et al。“拉普拉斯分布和泛化，”Birkhauser，2001年。

[R230]

Weisstein，Eric W.“Laplace Distribution。”来自MathWorld-Wolfram Web资源。http://mathworld.wolfram.com/LaplaceDistribution.html

[R231]

维基百科，“拉普拉斯分布”，http://en.wikipedia.org/wiki/Laplace_distribution

例子

从分布中绘制样本

>>> 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, normed=True)
>>> x = np.arange(-8., 8., .01)
>>> pdf = np.exp(-abs(x-loc)/scale)/(2.*scale)
>>> plt.plot(x, pdf)

绘图高斯比较：

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

（源代码，png，pdf）

../../_images/numpy-random-laplace-1.png