pythonで乱数を生成・特定の分布から乱数を生成する

ドキュメント

9.6. random — Generate pseudo-random numbers — Python 3.6.2 documentation

Random sampling (numpy.random) — NumPy v1.12 Manual

を見ればほとんど解決できます。

必要なライブラリをインポート

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.patches as patches

n_samples = 10000

""" グラフの模様を取得 """
def get_patterns(k):
    patterns = ['-', '+', 'x', 'o', 'O', '.', '*'] 
    return patterns[k%len(patterns)]

分布から乱数を生成

一様分布

np.random.rand

data = np.random.rand(n_samples,1)
plt.figure(figsize=(8, 3))
plt.hist(data, bins=50)
plt.grid()

random.random

import random
data = [random.random() for _ in range(n_samples)]
plt.figure(figsize=(8, 3))
plt.hist(data, bins=50)
plt.grid()

ガンマ分布

plt.figure(figsize=(8, 3))

for i in range(10):
    alpha, beta = i*1+1, 0.5
    labelname = str((alpha, beta))
    data = [random.gammavariate(alpha, beta) for _ in range(n_samples)]
    plt.hist(data, bins=50, label=labelname, alpha=.8, hatch=get_patterns(i))

plt.grid(True)
plt.legend(title="(alpha, beta)", bbox_to_anchor=(1.2,1.02),)

ガウス分布

plt.figure(figsize=(8, 3))

for i in range(10):
    mu, sigma = 0, (10-i)+1
    labelname = str((mu, sigma))
    data = [random.gauss(mu, sigma) for _ in range(n_samples)]
    plt.hist(data, bins=50, label=labelname, alpha=.8, hatch=get_patterns(i))

plt.grid(True)
plt.legend(title="(mu, sigma)", bbox_to_anchor=(1.2,1.02),)

ワイブル分布

plt.figure(figsize=(8, 3))

for i in range(10):
    alpha, beta = 0.5, i*0.1+1
    labelname = str((alpha, beta))
    data = [random.weibullvariate(alpha, beta) for _ in range(n_samples)]
    plt.hist(data, bins=50, label=labelname, alpha=.8, hatch=get_patterns(i))

plt.grid(True)
plt.legend(title="(alpha, beta)", bbox_to_anchor=(1.2,1.02),)

混合ガウス分布

n_gaussians = 10

weight = [ 1.0*np.random.randint(1,100) for _ in range(n_gaussians)]
weight = [ w/np.sum(weight) for w in weight]
xys = []
 
plt.figure(figsize=(10, 10))
for w in weight:
    mean = [np.random.randint(0, 20), np.random.randint(2,20)]
    
    c1, c2 = np.random.randint(1,20), np.random.randint(1,20)
    cov = [[c1, 0], [0, c2]]
    labelname = str(mean)+" "+str(cov)

    x, y = np.random.multivariate_normal(mean, cov, int(w*n_samples)).T
    xys += [(x, y)]
    plt.scatter(x, y, marker=".", label=labelname, alpha=.5)

plt.grid(True)
plt.xlim(-5, 30)
plt.ylim(-5, 30)
plt.legend(title="(mean / covariance)", bbox_to_anchor=(1.1,1.02),)

カーネル密度推定した分布のプロット

kdeplotを使います。

import seaborn as sns

sns.set(style="dark")
rs = np.random.RandomState(50)
plt.figure(figsize=(10, 10))
plt.grid(True)
plt.xlim(-5, 30)
plt.ylim(-5, 30)

for (x, y) in xys:
    ax = sns.kdeplot(x, y, n_levels=30, cmap="Purples_d")

アイテムを選択

アイテムごとの重みに基づいて選択

アイテムの集合 [1, 2, 3, 4, 5] からそれぞれの重み [.1, .1, .2, .2, .3] に基づいてアイテムを選択します。 ヒストグラムから重みのあるアイテムが選ばれる回数が多くなっている

from numpy.random import choice

items = [1, 2, 3, 4, 5]
number_of_items_to_pick = 1
distribution = np.array([.1, .1, .2, .2, .3])
distribution /= distribution.sum()
pickup = choice(items, n_samples, p=distribution)
plt.hist(pickup)

アイテムをランダムに選択

random.choice(items)を用います。

rand_items = random.sample(items, 3)
rand_items

['b', 'a', 'e']