1

假设我有一枚硬币以概率 P 正面朝上。要进行的实验是继续掷硬币 x 次。这个实验要重复 1000 次。

问题是否有一种有效/矢量化的方法来生成随机 1（概率为 P）和 0（概率为 1-P）的数组？

如果我尝试这样的事情：

np.full(10,rng().choice((0,1),p= [.3,.7]))

整个数组填充了相同的选择。我见过涉及固定比例的零与一的解决方案。

a = np.ones(n+m)
a[:m] = 0
np.random.shuffle(a)

但是，我不确定如何使用此设置保持实验的随机性。

目前我只是按如下方式循环遍历每个迭代，但是一旦实验数量变大，它就会非常慢。

（实际实验涉及在两个连续的头被翻转时终止每个试验，这就是为什么代码中有一个while循环。为了使问题具体，我不想在这里解决这个问题。）

Set = [0,1]
T = np.ones(Episodes)
for i in range(Episodes):
    a = rng().choice(Set, p=[(1 - p), p])
    counter = 1
    while True:
        b = rng().choice(Set, p=[(1-p),p])
        counter += 1
        if (a == 1) & (b == 1):
            break
        a = b
    T[i] = counter

任何见解将不胜感激，谢谢！

4

1 回答 1

1

@Quang Hong 和 @Kevin 提供的答案在上面的评论中列出。只需使用 default_rng() 重新发布，以便以后更容易参考。但他们是这里真正的英雄。

from numpy import default_rng as rng 

rng().binomial(1, p = .7, size=(10,10))

rng().choice((0,1),p = [.3,.7], size=(10,10))
于 2021-03-25T18:11:58.290 回答