具有不同标准偏差和每行平均值的 Numpy 数组

Question

我有一个包含两列的 pandas 数据框。它们代表均值和标准差。

如何执行向量化采样？我想每行抽取 1 个观察值。

import numpy as np
import pandas as pd

rng = np.random.RandomState(0)

#n_points = 4_000_000
n_points = 10
d_dimensions = 2

X = rng.random_sample((n_points, d_dimensions))

df = pd.DataFrame(X)
display(df.head())

df['raondomized'] = df.apply(lambda x: np.random.normal(x[0], x[1], 1), axis = 1)
df.head()

记录数增加时很慢

np.random.seed(444)
arr = np.random.normal(loc=0., scale=[1., 2., 3.], size=(1000, 3)).T

print(arr.mean(axis=1))
# [-0.06678394 -0.12606733 -0.04992722]
print(arr.std(axis=1))
# [0.99080274 2.03563299 3.01426507]

显示如何以均等方式执行矢量化采样 - 如何更改它以支持不同的方式，就像我使用 apply 的原始版本一样，但速度更快？

甲：

np.random.normal(df[0], df[1], 1)

只有 returns 一个标量值，即使指定了多个 means/standard 偏差。

Answer 1

df['raondomized'] = np.random.normal(df[0], df[1])

重要的是不要指定元素的数量。

Answer 2

怎么样

np.random.normal(df[0], df[1], len(df))

您还可以指定每个规格有多少运行（比如 1000），

np.random.normal(df[0], df[1], (1000, len(df)))

具有不同标准偏差和每行平均值的 Numpy 数组

Numpy array with different standard deviation and mean per row

python

numpy

vectorization

sampling

pandas