一個想法是使用numpy.hstack： l = [0.9, 0.2, 0.4]a = np.array(l)[:, None]arr = np.hstack((a, 1 - a))print (arr)[[0.9 0.1] [0.2 0.8] [0.4 0.6]] 或者使用numpy.c_： a = np.array(l)arr = np.c_[a, 1 - a]print (arr)

Updated answer: 似乎您希望以更高的概率隨機選擇每e-mail一行。在這種情況下，需要為每個不同的e-mail對行進行編號： SELECT *INTO BenutzerFROM (VALUES ('Test@test.com', 0, 0), ('Test1@test.com', 1, 0), ('Test2@test.com', 1, 0), ('Test3@test.com', 1, 1), ('Test4@test.com', 1, 0), ('Test5@test.com', 1, 0) ) v (EMail, param1, param2)SELECT TOP 2 EmailFROM ( SELECT b.*, ROW_NUMBER() OVER (PARTITION BY b.Email ORDER BY a.probability DESC) AS rn FROM Benutzer b CROSS APPLY (VALUES (1), -- normal probability ( 1 + CASE WHEN param1 = 1 THEN 1 ELSE 0 END + CASE WHEN param2 = 1 THEN 1 ELSE 0 END ) -- calculated probability ) a (probability)) tWHERE

正如@Bas解釋的那樣，這是一個超幾何分布，因此可以計算為： dhyper(4,9,9,4) * 2[1] 0.08235294 or simply: 2* choose(9, 4) / choose(18, 4) [1] 0.08235294 對于模擬部分： mean(replicate(40000,mean(sample(x, 4))%in%1:2))[1] 0.0829

使用帶有權重的random.choices和choice來劃分男性/女性，假設您的字典名為d，并且N是您想要的名稱總數，那么： from random import choice, choicesN = 3names = [ choice(d[country][choice(['male', 'female'])]['given_names']) for country in choices(['us', 'uk'], weights=[0.6, 0.4]) for _ in range(N)]

計算某個區間的概率p并不過于復雜。然而，組合正確的工具來實現這一點可能很棘手。特別是因為有幾種統計方法可以做到這一點。 1.概率論 給定兩個數字，我們稱它們為lower和upper，它們之間的概率是多少？如果累積分布函數（CDF）F已知，則它僅為p = F(upper) - F(lower)。類似地，p與區間[lower, upper]上概率密度函數（PDF）f圖所包圍的區域一致。 然而，當CDF/PDF未知時，它構成了一個統計問題。簡言之，估計PDF f并計算其圖中包含區間的面積即可。但是有幾種范例和估計程序可以獲得它。 1.參數估計 人們可以假設數據x是某種正態分布的IID實現集，這是因為先驗知識或方便。然后，只需估計其參數mu（aka scale）和sigma（aka標準偏差或scale）。scipy.stats提供了我們在該設置中所需的一切。此外，它還提供了各種參數分布的估計程序以及pdf/cdf函數。 from scipy import statsfrom matplotlib import pyplot as pltlower, upper = 0.0, 2.0x = [-0.804, -2.267, 1.55, -1.004, 3.173, -0.522, -0.231, 3.95, -0.574, -0.213, 1.333, 2.42, 1.879, 3.814]

您只需擴展[0.1]*5列表，如下所示： import numpy as npnp.random.choice(np.arange(1, 4, 1/3), 3, p=[*[0.1]*5, 0, 0.3, 0.2, 0]) *用于此目的。看到這里了嗎

如果您使用的是scikit-learn，那么就可以使用GaussianNB.predict_proba。它將給出輸出中每個類的概率。 （我假設您使用的是multi-class分類器方法）。 https://scikit-learn.org/stable/modules/generated/sklearn.naive_bayes.GaussianNB.html#sklearn.naive_bayes.GaussianNB.predict_proba 請看一下相關問題：多類分類和概率預測

如果我正確理解你的目標，你根本不需要使用循環。只需創建兩個樣本，然后從混合物分布中提取樣本。 set.seed(1)cc <- cbind(rbinom(100, 1, 0.3), rbinom(100, 1, 0.7))colMeans(cc)# [1] 0.32 0.70sample(cc, 2)# [1] 0 0

幾乎可以肯定有一個更好的解決方案，但這是可行的。它首先通過說如果隨機數是8或9，那么它在20%（2/10）中，然后從相應列表的一半中隨機選擇，來確定它在每一輪的20%或80%（蘭德）。 import randomrand = random.randrange(0,9)my_list = [1,2,3,4,5,6,7,8,9,10]if rand == 8 or rand == 9: print(my_list[5:][random.randrange(0,4)])else: print(my_list[:5][random.randrange(0,4)])

Try this my_dict = {'Summer':['Summer','Summer','gone'],'gone':['forever'],'forever':['gone']}for v in my_dict: my_dict[v]={j:round(my_dict[v].count(j)/len(my_dict[v]),2) for j in my_dict[v]}print (my_dict)

results=[([[5, 0],[233, 0],[233, 15],[5, 15]],' ? ]TC T III3 U?CU 3', 0.011015821004953916), ([[241, 0], [390, 0], [390, 15], [241, 15] ] , '?A[ [ C 0l?', 0.0023567583563770737), ([[2, 16], [46, 16], [46, 42], [2, 42]], 'MM', 0.9965182566504686), ([[98, 16], [140, 16], [140, 46], [98, 46]], 'D', 0.9973547096148511), ([[182, 16], [220, 16],[220, 44], [182, 44]], 'Y', 0.9971791823074896), ([[24, 46], [62, 46], [62, 74], [24, 74]], '62', 0.9999828941291119), ([[94, 46], [130, 46], [130, 74], [94, 74]], '26', 0.9997197349619524), ([[180, 46], [242, 46], [242, 74], [180, 74]],'1970', 0.999931275844

您可以使用numpy.unique收集唯一序列及其counts。 >>> (unique, counts) = numpy.unique(data, return_counts=True, axis=0)>>> uniquearray([0, 1, 1], [0, 1, 2], [1, 1, 1], ...])>>> countsarray([2, 2, 1, ...]) 因此，來自uniques的第i個元素的概率是其來自counts的對應值超過原始數據的行數。換句話說，例如，296行上的28計數的概率約為9.46%。

在這里可以很容易地使用拒絕采樣。 對于每個人，決定他們是在20%還是80%。如果你想要20%的樣本，從一開始就隨機選擇6000人。 如果他們在20%，反復選擇4個水果從你的一套8，直到他們包含一個單一的重復水果。 如果他們在80%，反復選擇4個水果從你的一套8，直到他們不包含重復。 下面是一些python代碼，它生成30個樣本（而不是用于演示的30000個樣本），其中20%包含重復的水果： import randomN = 30fruits = 'Apple Banana Orange Grape Kiwi Pineapple Watermelon Dragonfruit'.split()def sample(repeats): while True: s = [random.choice(fruits) for _ in range(4)] if len(set(s)) == 4 - repeats: return spopulation = list(range(N))twenty_percenters = set(random.sample(population, N // 5))for p in population: in20 = p in twenty_percenters print(p, '*' * in20, sample(in20))

Simple solution: do r=rand();until (is_in_range(r)); 它根本沒有效率，尤其是在運行時間上沒有限制。但它應該起作用。 有時簡單而愚蠢的解決方案已經足夠好了。 （一旦你開始做像r=rand()%limit;這樣的事情，那么你就開始引入扭曲的概率。想象一下做r=rand()%((RAND_MAX/2)+1);。它返回RAND_MAX/2以下的任何東西的可能性是RAND_MAX/2的兩倍。更多細節請參閱此答案。）

應該是的 else if(rarity <= 0.35f) 代碼的編寫方式，目前是15%-5%-80%