Question

Python的lambda函数在应用于数组时不会从分布中重新采样；例如使用时：

f1 = lambda x: -3 + 0.75*x + numpy.random.randn()

正确的方法是使用map（），从而将lambda函数“映射”到数组上。

但是，可以很容易地将lambda函数应用于数组。 我问这是怎么工作的，但是该功能没有重新采样。

MVP：

import numpy
numpy.random.seed(1)

f1 = lambda x: -3 + 0.75*x + numpy.random.randn()  # dummy with random part
f2 = lambda x: -3 + 0.75*x  # dummy w/o random part 

# dummy data
x = numpy.arange(10)

f1(x) - f2(x)
>> array([1.62434536, 1.62434536, 1.62434536, 1.62434536, 1.62434536,
1.62434536, 1.62434536, 1.62434536, 1.62434536, 1.62434536])

numpy.var(f1(x) - f2(x))  # almost 0

因此，我希望方差会更大，接近1。该示例证明了lambda函数只是在第一个元素上采样，然后不再更改随机部分。

感谢您的解释！

Answer 1

问题在于您如何定义lambda函数f1：

f1 = lambda x: -3 + 0.75*x + numpy.random.randn()

此处numpy.random.rand()返回一个标量。因此，您有了-3 + 0.75 * x（向量）+ numpy.random.randn()（标量）-结果是广播标量以匹配x的形状-这意味着将相同的标量值添加到每个标量向量的成员。

所以f1(x)是向每个元素添加的向量和一些随机数， f2(x)是减去随机相加的某个向量。

如果减去它们，您将获得一个仅广播了随机部分的向量。

要解决此问题，您应该生成一个randn()形状与x

相同的形状

f1 = lambda x: -3 + 0.75*x + numpy.random.randn(*x.shape)

结果：

f1(x) - f2(x) = [ 1.62434536 -0.61175641 -0.52817175 -1.07296862  0.86540763 -2.3015387
  1.74481176 -0.7612069   0.3190391  -0.24937038]
var() = 0.9982804180510148

randn() docs

Answer 2

您的函数f1仅运行一次randn函数，并广播到整个阵列。如果您想为每个元素使用不同的随机数，则将其大小设置为x：

f1 = lambda x: -3 + 0.75*x + numpy.random.randn(x.size)

有了

numpy.var(f1(x) - f2(x))  # almost 0

大约是1

Answer 3

您将标量添加到数组，这意味着将相同的元素添加到数组中的每个元素。

考虑

>>> a = np.array([1, 2, 3, 4])
>>> a + 1
array([2, 3, 4, 5])

为什么python的lambda函数无法从发行版中重新采样？

3 个答案: