均匀随机抽样未返回均匀样本(Scipy Uniform)

根据 documentation ,你可以通过 loc 和 scale 以便开启采样 [loc, loc + scale] .我相信你所提出的论点被解释为 loc 和 规模 ,因此您可以在 [-np.pi, -np.pi + np.pi] ,即。 [-np.pi, 0] .简单地通过 2*np.pi 作为你的第二个论点。

import numpy as np
from scipy.stats import uniform

uni = uniform(loc=-np.pi, scale=2*np.pi)
variables = uni.rvs(20)
print(variables)

输出:

[-2.06319644  1.04916367  3.07400506  1.03832226  1.01205737 -0.57139507
  2.80455874  3.10886192 -2.18827084 -1.49833546 -1.54547847 -3.06877181
  1.15691104  1.48957702  1.36562556  2.69624898  0.03550638 -1.92457988
 -0.32644606 -1.9145792 ]

如果你想确认直觉,你可以进行Kolmogorov测试:

import numpy as np
from scipy import stats

np.random.seed(1234)

X = stats.uniform(loc=-np.pi, scale=2.*np.pi)
x = X.rvs(10)

stats.kstest(x, X.cdf)

# KstestResult(statistic=0.2799758081188034, pvalue=0.34631541108571073, statistic_location=1.759139883937797, statistic_sign=-1)

我们不拒绝H0,我们可以假设样本(甚至小到10)来自分布。

如果您对照您的第一个定义进行检查:

Xbad = stats.uniform(loc=-np.pi, scale=np.pi)
stats.kstest(x, Xbad.cdf)

# KstestResult(statistic=0.6, pvalue=0.0005681672000000005, statistic_location=0.7672320360752276, statistic_sign=-1)

我们可以拒绝H0,错误的风险小于0.1%。这证实了你的观察,你的配置在你期望的域上并不一致。

确认统计scipy按预期工作总是令人欣慰的。