numpy.random.multinomial¶

numpy.random.multinomial(n, pvals, size=None)¶

从多项分布绘制样本。

多项分布是二项分布的多元泛化。进行p可能结果之一的实验。这样的实验的一个例子是投掷骰子，其中结果可以是1到6。Each sample drawn from the distribution represents n such experiments. 其值X_i = [X_0， X_1， t5> X_p]表示结果的次数i。

参数：	n：int 实验次数。 pvals：浮点数，长度p 每个`p`不同结果的概率。这些应该总和为1（然而，只要`sum（pvals [：-1]） 1）`。 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：	out：ndarray 绘制的样本，如果提供的话，形状大小。如果不是，则形状为`(N,)`。换句话说，每个条目`out[i,j,...,:]`是从分布绘制的N维值。

参数：

n：int

实验次数。

pvals：浮点数，长度p

每个p不同结果的概率。这些应该总和为1（然而，只要sum（pvals [：-1]） 1）。

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。

out：ndarray

绘制的样本，如果提供的话，形状大小。如果不是，则形状为(N,)。

换句话说，每个条目out[i,j,...,:]是从分布绘制的N维值。

例子

投掷骰子20次：

>>> np.random.multinomial(20, [1/6.]*6, size=1)
array([[4, 1, 7, 5, 2, 1]])

它在1次降落4次，在2次降落1次。

现在，投掷骰子20次，再次20次：

>>> np.random.multinomial(20, [1/6.]*6, size=2)
array([[3, 4, 3, 3, 4, 3],
       [2, 4, 3, 4, 0, 7]])

对于第一次，我们投掷3次1，4次2等。第二，我们投了2次1，4次2等。

加载的模具更有可能着陆在数字6：

>>> np.random.multinomial(100, [1/7.]*5 + [2/7.])
array([11, 16, 14, 17, 16, 26])

概率输入应该归一化。作为实现细节，忽略最后一个条目的值，并假设它占用任何剩余概率质量，但这不应该依赖。一个偏好的硬币在一侧的重量是另一侧的两倍，应该这样取样：

>>> np.random.multinomial(100, [1.0 / 3, 2.0 / 3])  # RIGHT
array([38, 62])

不喜欢：

>>> np.random.multinomial(100, [1.0, 2.0])  # WRONG
array([100,   0])