Python numpy.random.normal solo valori positivi

Question

Voglio creare un normale array distribuito con numpy.random.normal che consiste solo di valori positivi. Ad esempio il seguente illustra che a volte restituisce valori negativi e talvolta positivi. Come posso modificarlo in modo che restituisca solo valori positivi?

>>> import numpy 
>>> numpy.random.normal(10,8,3) 
array([ -4.98781629, 20.12995344, 4.7284051 ]) 
>>> numpy.random.normal(10,8,3) 
array([ 17.71918829, 15.97617052, 1.2328115 ]) 
>>> 

Credo che avrei potuto risolverlo in qualche modo simile a questo:

myList = numpy.random.normal(10,8,3) 

while item in myList <0: 
     # run again until all items are positive values 
     myList = numpy.random.normal(10,8,3) 

Answer 1

La distribuzione normale, per definizione, si estende da -inf a + inf così quello che stai chiedendo non ha senso matematicamente .

È possibile eseguire una distribuzione normale e prendere il valore assoluto su "clip" su valori positivi, o semplicemente scartare valori negativi, ma è necessario comprendere che non sarà più una distribuzione normale.

Answer 2

È possibile sfalsare l'intero array del valore più basso (a sinistra) della matrice. Quello che ottieni potrebbe non essere veramente una "distribuzione normale", ma nell'ambito del tuo lavoro, occupandosi di array finito, puoi assicurarti che i valori siano positivi e si adattino a una curva a campana.

>>> mu,sigma = (0,1.0) 
>>> s = np.random.normal(mu, 1.0, 100) 
>>> s 
array([-0.58017653, 0.50991809, -1.13431539, -2.34436721, -1.20175652, 
     0.56225648, 0.66032708, -0.98493441, 2.72538462, -1.28928887]) 
>>> np.min(s) 
-2.3443672118476226 
>>> abs(np.min(s)) 
2.3443672118476226 
>>> np.add(s,abs(np.min(s))) 
array([ 1.76419069, 2.85428531, 1.21005182, 0.  , 1.14261069, 
     2.90662369, 3.00469429, 1.3594328 , 5.06975183, 1.05507835]) 

Answer 3

Suppongo che quello che vuoi dire è che si desidera modificare la densità di probabilità in modo che sia la stessa forma normale nel campo positivo e pari a zero in negativo. Questo è un caso pratico piuttosto comune. In tal caso, non puoi semplicemente prendere il valore assoluto delle variabili casuali normali generate. Invece, devi generare un nuovo numero normalmente distribuito indipendente fino a quando non ne trovi uno positivo. Un modo per farlo è ricorsivo, vedi sotto.

import numpy as np def PosNormal(mean, sigma): x = np.random.normal(xbar,delta_xbar,1) return(x if x>=0 else PosNormal(mean,sigma))

Answer 4

cosa sull'utilizzo di log-normale in queste righe:

mu = np.mean(np.log(list)) 
    sigma = np.std(np.log(list)) 

    new_list = np.random.lognormal(mu, sigma, length_of_new_list)