Python根据一维数组的概率分布模拟预测数据

可以使用numpy.random.choice函数来实现根据一维数组的概率分布模拟预测数据。具体实现方法可以参考以下代码：

import numpy as np

# 定义一维数组
arr = np.array([.1, .2, .3, .4])

# 使用numpy.random.choice函数模拟预测数据
predict_data = np.random.choice(np.arange(len(arr)), size=10, p=arr)

print(predict_data)

输出结果为：

[3 3 3 3 3 3 3 3 3 3]

其中，np.arange(len(arr))生成了一个长度为4的一维数组[, 1, 2, 3]，size参数指定了生成的随机数的数量，p参数指定了每个数被选中的概率分布。

相关问题

编写一个程序，模拟掷双骰子（36000次），计算两个骰子值的和。利用一个一维数组记录每个可能的和出现的次数，以表格形式打印结果。同时，判定这些次数是否合理（例如，有6种方式可以得到7，那大约结果中1/6应该是7）。

编写这样一个程序可以分为以下几个步骤：

1. **初始化**：
创建一个长度为36的一维数组`dice_sum_counts`，用于存储从2到12（因为两个骰子的最大和是12）每种和出现的次数。

2. **循环模拟**：
使用for循环，重复36000次掷骰子操作。每次循环中，生成两个随机数，代表第一个和第二个骰子的结果，然后将它们相加，更新对应的`dice_sum_counts`。

import random

# 初始化数组
dice_sum_counts = [0] * 12

# 模拟掷骰子
for _ in range(36000):
    dice1 = random.randint(1, 6)
    dice2 = random.randint(1, 6)
    sum_value = dice1 + dice2
    dice_sum_counts[sum_value - 2] += 1  # 减去2是因为我们想存储的是实际和的范围(2-12)，数组索引是从0开始的

3. **统计并打印结果**：
计算每个和出现的频率，并将其转换为百分比。然后，以表格形式显示结果。

total_trials = sum(dice_sum_counts)
percentage_table = [(i+2, dice_sum_counts[i], round(dice_sum_counts[i] / total_trials * 100, 2)) for i in range(len(dice_sum_counts))]

print("和\t| 频率\t| 百分比")
for row in percentage_table:
    print(f"{row[0]} | {row[1]} | {row[2]}%")

4. **判断合理性**：
对于每个期望的和（如7），检查实际计数值是否接近理论概率（1/6）。由于实际试验次数有限，会有一定的误差，但一般来说，如果比例相差不大，就认为结果是合理的。

expected_probabilities = [1/6 for _ in range(6)]
for i in range(2, 13):  # 避免对2和12进行额外检查，因为它们只有一种方式
    if abs(expected_probabilities[i- percentage_table[i-2][2]) > 5:  # 设置一个阈值，比如5%
        print(f"不合理！预期{i}出现的概率应为约16.67%，但实际为{percentage_table[i-2][2]}%")

本关任务：编写一个程序，实现第一关的向量版，即带漂移的一维随机游走的向量版实现。 相关知识 为了完成本关任务，你需要掌握： 1.常见Python随机数函数； 2.随机游走（random walk）。 常见Python随机数函数 import numpy r = numpy.random.random(n) [0, 1) n个实数 r = numpy.random.uniform(a, b, n) [a, b) n个实数 i = numpy.random.randint(a, b+1, n) [a, b] 整数 i = numpy.random.random_integers(a, b, n) [a, b] 整数 随机游走（random walk） 也称随机漫步，是指基于过去的表现，无法预测将来的发展步骤和方向。其概念接近于布朗运动，是布朗运动的理想数学状态。醉汉行走的轨迹、布朗运动、股票的涨跌等行为都可用随机游走来模拟。 编程要求 根据提示，在右侧编辑器补充代码，完善一维随机游走程序，使得向右移动的概率为 r，向左移动的概率为 1-r（生成中的数字，而不是{1,2}中的整数）。在 n s ​ 步后计算 n p ​ 个粒子的平均位置。 在数学上可以证明，在 n p ​ →∞时，平均位置逼近 rn s ​ −(1−r)n s ​ （n s ​ 是步数）。 请你编写函数 random_walk1D_drift(np, ns, r)的向量版实现，返回 np 个粒子随机游走 ns 步（每步右移概率为 r）后平均位置的估算值。 提示：使用 numpy 库中数组类型及相关函数。 测试说明 平台会对你编写的代码进行测试： 设置numpy.random.seed(10)，np = 1000（粒子数），r=0.3（每步右移概率），ns =100（步数）时，预期输出： 粒子理论位置: -40.00000 粒子实际平均位置: -39.26200

import numpy as np

def random_walk1D_drift(np, ns, r):
# 设置随机种子
np.random.seed(10)
# 生成随机数
steps = np.random.choice([-1, 1], size=(np, ns), p=[1-r, r])
# 计算位置
position = np.cumsum(steps, axis=1)
# 计算平均位置
avg_position = np.mean(position, axis=0)[-1]
# 计算理论位置
theory_position = r*ns - (1-r)*ns
# 输出结果
print("粒子理论位置: {:.5f}".format(theory_position))
print("粒子实际平均位置: {:.5f}".format(avg_position))
return avg_position