如何在numpy的范围内获得正态分布？

Question

在机器学习任务。我们应该得到一组具有约束的随机w.r.t正态分布。我们可以通过np.random.normal()得到一个正态分布号，但它不提供任何绑定参数。我想知道如何做到这一点？

Answer 1

如果你正在寻找的Truncated normal distribution，SciPy的有一个功能叫truncnorm

这种分布的标准形式是一个标准的正常截断 区间[A，B] - 注意， a和b在标准法线的域 上定义。要转换剪辑的值对于特定均值和 标准偏差，使用：

A，B =（myclip_a - my_mean）/ my_std，（myclip_b - my_mean）/ my_std

truncnorm取A和B作为形状参数。

>>> from scipy.stats import truncnorm 
>>> truncnorm(a=-2/3., b=2/3., scale=3).rvs(size=10) 
array([-1.83136675, 0.77599978, -0.01276925, 1.87043384, 1.25024188, 
     0.59336279, -0.39343176, 1.9449987 , -1.97674358, -0.31944247]) 

上面的例子是由有界-2和2，并返回10个随机变元（使用.rvs()方法）

>>> min(truncnorm(a=-2/3., b=2/3., scale=3).rvs(size=10000)) 
-1.9996074381484044 
>>> max(truncnorm(a=-2/3., b=2/3., scale=3).rvs(size=10000)) 
1.9998486576228549 

下面是-6直方图，6：

Answer 2

除了@bakkal建议（+1）你可能也想看看Vincent Mazet实现此目的的配方，由Christoph Lassner重写为py-rtnorm模块。

Answer 3

的参数化truncnorm复杂，所以这里是转换参数化的东西更直观的功能：

from scipy.stats import truncnorm 

def get_truncated_normal(mean=0, sd=1, low=0, upp=10): 
    return truncnorm(
     (low - mean)/sd, (upp - mean)/sd, loc=mean, scale=sd) 

---

---

如何使用它？

1. 实例与参数发生器：意味着，标准偏差，和截断范围：

   >>> X = get_truncated_normal(mean=8, sd=2, low=1, upp=10) 
   

2. 然后，可以使用X，以产生值：

   >>> X.rvs() 
   6.0491227353928894 
   

3. 或者，numpy a rray用N产生的值：

   >>> X.rvs(10) 
   array([ 7.70231607, 6.7005871 , 7.15203887, 6.06768994, 7.25153472, 
        5.41384242, 7.75200702, 5.5725888 , 7.38512757, 7.47567455]) 
   

---

甲视觉例

这里是三个不同的截短的正态分布的情节：

X1 = get_truncated_normal(mean=2, sd=1, low=1, upp=10) 
X2 = get_truncated_normal(mean=5.5, sd=1, low=1, upp=10) 
X3 = get_truncated_normal(mean=8, sd=1, low=1, upp=10) 

import matplotlib.pyplot as plt 
fig, ax = plt.subplots(3, sharex=True) 
ax[0].hist(X1.rvs(10000), normed=True) 
ax[1].hist(X2.rvs(10000), normed=True) 
ax[2].hist(X3.rvs(10000), normed=True) 
plt.show()