Я ищу двухмерный аналог подпрограммы numpy.random.normal
, то есть numpy.random.normal
генерирует одномерный массив со средним стандартным отклонением и номером выборки в качестве входных данных, и то, что я ищу, - способ создания точек в двумерном пространстве с теми же входными параметрами.Генерировать двумерное нормальное распределение с учетом среднего и стандартного отклонения
Похоже, numpy.random.multivariate_normal
может это сделать, но я не совсем понимаю, что такое параметр cov
. Следующая выдержка описывает этот параметр более подробно и относится к scipy docs:
Ковариационная матрица распределения. Должен быть симметричным и положительно-полуопределенным для «физически значимых» результатов.
Позже на странице, в разделе примеров, значение выборки cov
Дано:
cov = [[1,0],[0,100]] # diagonal covariance, points lie on x or y-axis
Концепция еще довольно непрозрачная для меня, однако.
Если кто-то может уточнить, что должно быть cov
или предложить другой способ создания точек в двумерном пространстве с учетом среднего и стандартного отклонения с использованием python, я был бы признателен.
Спасибо за ваш ответ. Как я могу использовать это для создания дистрибутива с, скажем, 500 точками? Похоже, это дает мне только одну пару x, y – Ryan
Вы настраиваете размер '' [500, 2] '. Тем не менее, это зависит от вашего набора данных ... Может быть, лучше пойти с '[1, 1000]' или даже зацикливаться и генерировать каждый отдельно или что угодно;) – tamasgal
Отлично, спасибо! – Ryan