如何根据概率分布在python中生成随机分类数据？

Question

我试图从一个现有的列中生成一个随机的分类变量列，以创建一些综合数据。例如，如果我的列具有3个值0,1,2，其中0出现在50％的时间中，而1和2出现在30％和20％的时间中，则我希望新的随机列也具有相似（但不相同）的比例

关于交叉验证，有一个类似的问题已经使用R解决了。https://stats.stackexchange.com/questions/14158/how-to-generate-random-categorical-data。但是我想要一个Python解决方案

Answer 1

使用np.random.choice()并指定与从错误中选择的相对应的概率向量：

>>> import numpy as np 
>>> np.random.seed(444) 
>>> data = np.random.choice(  
...     a=[0, 1, 2],  
...     size=50,  
...     p=[0.5, 0.3, 0.2]  
... )                                                                                                                                                                                                                                                        
>>> data                                                                                                                                                                                                                                                     
array([2, 2, 1, 1, 0, 0, 0, 0, 0, 0, 2, 2, 0, 1, 0, 0, 0, 0, 2, 1, 0, 1,
       1, 1, 0, 2, 1, 1, 2, 1, 1, 0, 0, 0, 0, 2, 0, 1, 0, 2, 0, 2, 2, 2,
       1, 1, 1, 0, 0, 1])
>>> np.bincount(data) / len(data)    # Proportions                                                                                                                                                                                                                          
array([0.44, 0.32, 0.24])

随着样本量的增加，经验频率应朝着目标收敛：

>>> a_lot_of_data = np.random.choice(  
...     a=[0, 1, 2],  
...     size=500_000,  
...     p=[0.5, 0.3, 0.2]  
... )
>>> np.bincount(a_lot_of_data) / len(a_lot_of_data)                                                                                                                                                                                                          
array([0.499716, 0.299602, 0.200682])

如@WarrenWeckesser所述，如果您已经具有1d NumPy数组或Pandas Series，则可以直接将其用作输入而无需指定p。的默认值np.random.choice()是使用替换（replace=True）进行采样，因此，通过传递原始数据，结果分布应近似于输入的分布。