我一直在setup.py努力做sdist正确的事情.我把它归结为此.我有以下目录结构:

my_package\
    my_subpackage\
        __init__.py
        deep_module.py
    __init__.py
    module.py
    setup.py

这就是我所拥有的setup.py:

#!/usr/bin/env python

from distutils.core import setup
import distutils

setup(
    name='a',
    version='0.1',
    description='a',
    author='a',
    author_email='a@a.com',
    url='http://a.org',
    packages=['my_package','my_package.my_subpackage'],
    package_dir={'': '..'},
    license= "a",
    long_description = 'aaa',

)

(这些'aaa'东西只是占位符.)

无论如何,当我这样做时,它可以正常工作setup.py install,但是当我尝试做的时候setup.py sdist,会发生一些奇怪的事情:

1. MANIFEST创建一个文件.

2. 在副本my_package中创建的文件夹内现有的my_package文件夹(尽管它缺少一些安装相关的文件,我想的.)

3. 一个dist文件夹在里面创建了一个zipfile,里面是一个带有包名的文件夹,但是在那个文件夹里面没有像我希望的整个包,只有两个文件,setup.py而且PKG-INFO.

我究竟做错了什么？我该如何sdist工作？

在python中,我有一个列表,例如:

a = [1, 2, 3, 4, 5]

列表将始终排序.我想为这些值分配权重,使得权重仅在值0和1之间.最大值将具有权重1,即在该示例中,5将具有权重1.

但是,1不会有权重0(0是特殊的,不包括在内).我希望所有其他权重都是最大数字的某个小数值.我不确定解决这个问题的最佳方法是什么.

我有一系列值（即一列数据），我想创建一个图，其中包含 x 轴上的数据值范围和每个值在 y 轴上的数据集中出现的频率.

我想要的是非常接近核密度图：

# Kernel Density Plot
d <- density(mtcars$mpg) # returns the density data 
plot(d) # plots the results

和R在 stackoverflow 上的频率分布。

但是，我想要y 轴上的频率（而不是密度）。

具体来说，我正在处理网络度分布，并且想要一个带有开放圆形点的双对数比例，即这个图像。

我已经对相关资源和问题进行了研究，但还没有找到我想要的：

R's Plotting 分布的食谱接近我想要的，但不准确。我想用直方图示例中定义的“计数”替换其密度曲线示例中的 y 轴。

ecdf()R 中的函数（即这个问题）可能是我想要的，但我想要观察到的频率，而不是 y 轴上 0 和 1 之间的归一化值。

这个问题与频率分布有关，但我想要点，而不是条。

编辑：

数据是标准的幂律分布，即

dat <- c(rep(1, 1000), rep(10, 100), rep(100, 10), 100)

我尝试在r中编写程序"使用函数从任何分布生成随机样本".但它显示"hist.default(xbars)中的错误:'x'必须是数字"我的程序在这里

sim.clt <- function(n, ran.func,..., simsize,...)
{
  xbars<-vector()
  for(i in 1:simsize=simsize)
  {
    x<-function(ran.func)

      xbars[i]<-mean(x)
 }
par(mfrow=c(2,1))
hist(xbars)
qqnorm(xbars)
return(xbars)
}
sim.out<-sim.clt(n=20,ran.func="rexp",simsize=5000)
shapiro.test(sim.out)

#

我是r编程的新手,所以无法弄明白,如何解决问题.谢谢...

我已经使用rnorm函数从标准正态分布生成了大小为100的样本.我想按照标准对数字进行舍入.如果number介于0和1之间,则将以1小数点舍入.例如

0.123 -> 0.1
0.456 -> 0.5
0.98 -> 1

如果一个数字大于1,那么它将舍入为:

2.34 -> 2
4.98 -> 5
4.4 -> 4

你能指导我怎么做吗？

使用此功能,我可以从正态分布中进行采样.我想知道如何从限制到特定间隔的正态分布中有效地采样[a,b].我的琐碎方法是从正态分布中采样,然后保留值,如果它属于某个间隔,否则重新采样.但是在我得到合适的值之前可能会丢弃许多值.

我也可以使用三角形分布近似正态分布,但我认为这不够准确.

我也可以尝试处理累积函数,但可能这也会很慢.有没有有效的方法来解决这个问题？

谢谢

在进入正题之前，我们先来看看python的默认采样方式，

>>> import random
>>> c=[1,2,3,100,101,102,103,104,105,106,109,110,111,112,113,114]
>>> random.sample(c,1)
[103]
>>> random.sample(c,1)
[3]
>>> random.sample(c,1)
[3]
>>> random.sample(c,1)
[2]
>>> random.sample(c,1)
[3]
>>> random.sample(c,1)
[2]
>>> random.sample(c,1)
[106]
>>> random.sample(c,1)
[3]
>>> random.sample(c,1)
[105]
>>> random.sample(c,1)
[110]
>>> random.sample(c,1)
[103]
>>> random.sample(c,1)

从源代码我们可以很容易地看到它实际上做了什么（以下是链接中代码的主要部分），

selected = set()
selected_add = selected.add
for i in xrange(k):
    j = _int(random() * n)
    while j in selected:
        j = _int(random() * n)
        selected_add(j)
        result[i] = population[j]

这种抽样方法随机选择了一个指标。在这种情况下，有可能选择一个非常不可能的人口成员。比如说1上面的例子。

但让我们专注于一个更现实的场景。假设您有 16 个数字，表示来自0-15. …

我是C ++的初学者。我想问一下：

是std::uniform_int_distribution<> dis(1, 6);等于std::uniform_int_distribution<int> dis(1,6);？

非常感谢。

我试图研究一个概率分布，它的矩是加泰罗尼亚数，并想出了

qcatmo <- function(p, k=4){ (qbeta(p/2+1/2, 3/2, 3/2)*2 - 1)^2 * k } 
colMeans(outer(qcatmo(ppoints(10^6)), 0:10, "^"))
#      1     1     2     5    14    42   132   429  1430  4862 16796

效果很好。但是后来我尝试从这个分布中生成随机值，并找到了三种可能的方法（A 使用我已经知道的分位数函数应用于runif，B 使用内置rbeta函数稍微更直接，C 使用一种拒绝采样的形式runif) 在大样本上使用时具有明显不同的速度：

rcatmoA <- function(n, k=4){ qcatmo(runif(n), k) }
rcatmoB <- function(n, k=4){ (rbeta(n, 3/2, 3/2)*2 - 1)^2 * k }
rcatmoC <- function(n, k=4){
             n0 <- ceiling(n*4/pi + 7*sqrt(n) + 35)
             x0 <- runif(n0)^2 
             y0 <- runif(n0)^2 
             x0[x0 + y0 …

我正在 C++ 中搜索一个函数，我给它（ min ， mode ， max ），然后它返回由三角分布生成的随机数。如果有一个代码来实现这个功能那就太好了。

我的代码块正在做的是用T的F填充4X100000矩阵.让我们命名矩阵X.然后是Xij~Bernoulli(P)和P~normal(0.5,0.15),其中max(P)= 1并且min(P)= 0.

统计数据非常低效.如果有上述过程坚持的分布请帮助我.

计算速度非常慢,因为我必须用1个条目填充整个矩阵1条目,每次都是随机的.有没有办法减少显着的时间？这是非常低效的.

统计效率问题在这里

x = rnorm(100000,mean = 0.5,sd = 0.15)
x[x > 1] = 1
x[x < 0] = 0

probability = function(x){
  x.sam = sample(x,1)
  p = c(x.sam,1-x.sam)
  return(p)
}

aggro2 = function(x){
  aggro2 = sample(c(T,F),1, prob = probability(x))
  return(aggro2)
}

计算效率问题在这里

ptm = proc.time()
aggro =c()
n=100000
for (i in 1:(4*n)){
  cat(round(i/(4*n)*100,2),"\n")
  aggro = c(aggro, aggro2(x))  
}
aggro.mat = matrix(aggro,4,n)

elapsed = proc.time()[3] - ptm[3]
cat(elapsed)

我需要生成一组10 ^ 5个数据点,当这些数据点被分类到直方图中时,对数据的拟合是水平线.使用np.random.uniform不够均匀(见图).关于如何使均匀分布更均匀而不是随机的任何想法???