Wie zu tun, gewichtete Stichprobe von Kategorien in python

Diese könnten tun, was Sie wollen:

numpy.array([.3,.4,.3]).cumsum().searchsorted(numpy.random.sample(5))

Gibt es hacks, die Sie tun können, wenn, zum Beispiel, Ihre Wahrscheinlichkeiten passen gut in Prozentsätze, etc.

Zum Beispiel, wenn Sie fein sind die Prozentsätze, die folgenden arbeiten (auf Kosten einer hohen Speicher-overhead):

Aber der "echte" Weg, es zu tun mit beliebigen float-Wahrscheinlichkeiten ist, die Probe aus der kumulativen Verteilung nach bauen. Dies entspricht der Unterteilung der Einheit Intervall [0,1] in 3 Liniensegmente bezeichnet 'a','b' und 'c'; dann ist Kommissionierung einen beliebigen Punkt auf der Einheit Intervall und sehen, welche Strecke es.

#!/usr/bin/python3
def randomCategory(probDict):
    """
        >>> dist = {'a':.1, 'b':.2, 'c':.3, 'd':.4}

        >>> [randomCategory(dist) for _ in range(5)]
        ['c', 'c', 'a', 'd', 'c']

        >>> Counter(randomCategory(dist) for _ in range(10**5))
        Counter({'d': 40127, 'c': 29975, 'b': 19873, 'a': 10025})
    """
    r = random.random() # range: [0,1)
    total = 0           # range: [0,1]
    for value,prob in probDict.items():
        total += prob
        if total>r:
            return value
    raise Exception('distribution not normalized: {probs}'.format(probs=probDict))

Muss man vorsichtig sein, von Methoden, die Werte zurückgeben, auch wenn deren Wahrscheinlichkeit 0 ist. Glücklicherweise funktioniert diese Methode nicht, aber nur, wenn man einfügen könnte if prob==0: continue.

Für das Protokoll, hier ist der hackish Weg, es zu tun:

import random

def makeSampler(probDict):
    """
        >>> sampler = makeSampler({'a':0.3, 'b':0.4, 'c':0.3})
        >>> sampler.sample()
        'a'
        >>> sampler.sample()
        'c'
    """
    oneHundredElements = sum(([val]*(prob*100) for val,prob in probDict.items()), [])
    def sampler():
        return random.choice(oneHundredElements)
    return sampler

Jedoch, wenn Sie don ' T haben die Auflösung Fragen... das ist wohl tatsächlich der Schnellste Weg möglich. =)

Ich rechne damit, die polynomial-Funktion ist eine noch relativ einfache Möglichkeit, um Proben von einer Verteilung in zufälliger Reihenfolge. Dies ist nur eine Art

import numpy
from itertools import izip

def getSamples(input, size):
    probabilities, items = zip(*input)
    sampleCounts = numpy.random.multinomial(size, probabilities)
    samples = numpy.array(tuple(countsToSamples(sampleCounts, items)))
    numpy.random.shuffle(samples)
    return samples

def countsToSamples(counts, items):
    for value, repeats in izip(items, counts):
        for _i in xrange(repeats):
            yield value

Dem Eingänge wie angegeben [(.2, 'a'), (.4, 'b'), (.3, 'c')] und Größe ist die Anzahl der Proben, die Sie benötigen.

Nur inspiriert von sholte's sehr einfache (und richtige) Antwort: ich werde nur zeigen, wie einfach es sein wird zu verlängern, um Griff beliebigen Elementen, wie:

In []: s= array([.3, .4, .3]).cumsum().searchsorted(sample(54))
In []: c, _= histogram(s, bins= arange(4))
In []: [item* c[i] for i, item in enumerate('abc')]
Out[]: ['aaaaaaaaaaaa', 'bbbbbbbbbbbbbbbbbbbbbbbbbb', 'cccccccccccccccc']

Update:

Basierend auf dem feedback von phant0m es stellt sich heraus, dass eine noch einfachere Lösung umgesetzt werden kann, basierend auf multinomial wie:

In []: s= multinomial(54, [.3, .4, .3])
In []: [item* s[i] for i, item in enumerate('abc')]
Out[]: ['aaaaaaaaaaaaaaa', 'bbbbbbbbbbbbbbbbbbbbbbbbbbb', 'cccccccccccc']

IMHO haben wir hier eine schöne Zusammenfassung empirical cdf und multinomial based sampling nachgeben ähnliche Ergebnisse. So, in Zusammenfassung, es abholen eine, die am besten für Ihre Zwecke.