Question

我有一个大小为N的numpy数组，其中包含[x，y]像素位置。我想稍微移动x和y方向的每个像素。我想要实现的是使用每个x值作为平均值，并从具有可配置西格玛的正态分布中随机选择新值。新y值也将采用相同的方法

我的问题是我必须为每个像素循环并且繁琐地使用以下内容：

for i in range(len(pixels)):
    pixel = pixels[i]
    x = pixel[0]
    y = pixel[1]
    new_x = numpy.random.normal(x, std_deviation_x)
    new_y = numpy.random.normal(y, std_deviation_y)
    pixel[i][0] = new_x
    pixel[i][1] = new_y

我想知道是否有一种方法或任何随机函数实现接受均值列表，并且sigma列表返回N个样本列表，其中每个样本在列表中具有相应的均值和sigma

Answer 1

scipy.stats.norm接受矢量参数：

>>> from scipy import stats
>>> 
# mean = 0, 1, -1  -  std = 1, 2, 2
# we draw 10,000 samples per parameter set to validate the mean ...
>>> stats.norm([0, 1, -1], [1, 2, 2]).rvs((10000, 3)).mean(axis=0)
array([ 0.02597611,  1.01131576, -0.9446429 ])
# ... and the std
>>> stats.norm([0, 1, -1], [1, 2, 2]).rvs((10000, 3)).std(axis=0)
array([ 0.99299587,  2.0055516 ,  1.99656472])
# if you need just one sample per parameter set:
>>> stats.norm([0, 1, -1], [1, 2, 2]).rvs()
array([-1.23528454,  3.77990026, -3.49572846])

Answer 2

您可以从均值为0的正态分布中进行采样，然后将该值移动到新均值。

稍微清理和改进您的代码，它应该是这样的。

# We create all new (x,y) in one go
rand_x = numpy.random.normal(0, std_deviation_x, len(pixels))
rand_y = numpy.random.normal(0, std_deviation_y, len(pixels))

for i in range(len(pixels)):
    x, y = pixels[i]  # using unpacking

    # now we shift the mean
    new_x = x + rand_x[i]
    new_y = y + rand_y[i]

    # reasignment
    pixels[i][0] = new_x
    pixels[i][1] = new_y

当然，这可以进一步改进并使其更加优化，但仍有相当多的任务。

从N平均值和N个sigmas列表生成N个样本数组

2 个答案: