Laplace概率密度函数Lap(x|b)=1/2b exp(-|x|/b)正比于exp(-|x|/b)。 importnumpyasnp def noisyCount(sensitivety,epsilon): beta = sensitivety/epsilon u1 = np.random.random() u2 = np.random.random()ifu1 <=0.5: n_value = -beta*np.log(1.-u2)else: n_value = beta*np.log(u2) p...
numpy.random.multinomial(n,pvals,size):从多项分布中生成随机数。 numpy.random.multivariate_normal(mean, cov, size):从多变量正态分布绘制随机样本。 numpy.random.negative_binomial(n, p, size):从负二项分布中生成随机数。 numpy.random.noncentral_chisquare(df,nonc,size):从非中心卡方分布中生成随机...
np.random.randint(2,5,10) 3.4 numpy.random.random_integers random_integers(low, high, size) 方法将会生成 [low, high] 的 np.int 类型随机整数。注意这是一个闭区间。 import numpy as np np.random.random_integers(2,5,10) 3.5 numpy.random.random_sample random_sample(size) 方法将会在 [0, ...
numpy.random.Generator(bit_generator) Generator类依赖于附加的BitGenerator来管理状态并生成随机位,然后将这些随机位从有用的分布转换为随机值。所使用的默认BitGenerator Generator为PCG64。可以通过将实例化的BitGenerator传递给来更改BitGenerator Generator。numpy.random.default_rng()方法能够使用默认的BitGenerator(...
Laplace机制,即在操作函数结果中加入服从Laplace分布的噪声。 Laplace概率密度函数Lap(x|b)=1/2b exp(-|x|/b)正比于exp(-|x|/b)。 import numpy as np def noisyCount(sensitivety,epsilon): beta = sensitivety/epsilon u1 = np.random.random() ...
(1) np.random.rand(2,3) #产生2行三列均匀分布随机数组 Out[7]: array([[ 0.35369993, 0.0086019 , 0.52609906], [ 0.31978928, 0.27069309, 0.21930115]]) (2)In [8]: np.random.randn(3,3) #三行三列正态分布随机数据 Out[8]: array([[ 2.29864491, 0.52591291, -0.80812825], [ 0.37035029, -...
numpy.random.geometric(p,size) :从几何分布中生成随机数。 numpy.random.gumbel(loc,scale,size) :从 Gumbel 分布中生成随机数。 numpy.random.hypergeometric(ngood, nbad, nsample, size) :从超几何分布中生 成随机数。 numpy.random.laplace(loc,scale,size) :从拉普拉斯双指数分布中生成随机数。
import numpy as np from matplotlib.pyplot import plot, show cash = np.zeros(10000) cash[0] = 1000 outcome = np.random.binomial(9, 0.5, size=len(cash)) for i in range(1, len(cash)): if outcome[i] < 5: cash[i] = cash[i - 1] - 1 ...
np.random.seed(1234) #设置随机种子为1234 1 2. 简单随机数 函数名称函数功能参数说明 rand(d0, d1, …, dn) 产生均匀分布的随机数 dn为第n维数据的维度 randn(d0, d1, …, dn) 产生标准正态分布随机数 dn为第n维数据的维度 randint(low[, high, size, dtype]) ...
random.seed(0) #为 y 创建正确的值 y_obs = np.random.normal(size=(10000, 1)).reshape(-1, 1) # 创建 y 的预测值,给正确的值不同的误差来创建 4 类数据 y_pred_1 = y_obs + np.random.normal(scale=0.3, size=(10000, 1)) y_pred_2 = y_obs + np.random.laplace(scale=0.3 * (...