scipy.stats模块和numpy.random模块之间有什么区别，两个模块之间的类似方法有什么区别？

Question

我在python上查看了一些分发函数：

均匀，二项式，伯努利，正态分布

我发现scipy和numpy都有相同的功能。

>>> from scipy.stats import binom
>>> rv = binom(n, p)

>>> import numpy as np
>>> s = np.random.binomial(n, p, 1000)

仔细检查代码，我发现scipy在内部使用了numpy：

https://github.com/scipy/scipy/blob/master/scipy/stats/_discrete_distns.py

https://github.com/numpy/numpy/blob/master/numpy/random/mtrand/distributions.c

那么，我的问题是拥有2份相同分配函数的主要动机是什么？

scipy库提供了哪些额外的功能，而不是numpy？

每个模块中的完整方法列表如下：

Numpy Random模块： https ： //docs.scipy.org/doc/numpy/reference/routines.random.html

Scipy stats模块： https ：//docs.scipy.org/doc/scipy/reference/stats.html

我发现了两个模块之间的一些基本区别： scipy.stats的随机抽取之间的差异...... rvs和numpy.random

Answer 1

scipy生成随机变量，而numpy生成随机数 。 当您使用np.random.binomial(n, p, 1)它仅仅是一个实现了随机变量（的binom(n, p)

在概率和统计中，随机变量的实现或观察值是实际观察到的值（实际发生的情况）。 随机变量本身就是决定观察结果的过程。 从实现中计算而不部署统计模型的统计量通常被称为“经验”，如经验分布函数或经验概率。

一般来说，numpy的作用是多次掷骰子。 另一方面，scipy告诉你连续获得两个六的概率是多少。 如果你将硬币翻转一百次， 预期的尾巴数量是多少。

当然你可以在numpy中运行模拟并近似这些值（翻转一百万次硬币，尾巴数量约为50万）。 然而，这只是实验的结果。 一个随机变量告诉你理论解决方案（对于二项式，这是n次p ，其中n是试验次数，p是概率。所以你会得到50万。

---

这是一个小小的演示：

import scipy.stats as ss
import numpy as np

n, p = 10**4, 0.3
rv  = ss.binom(n, p)

获得随机变量的均值和标准差：

rv.mean()
Out: 3000.0

rv.std()
Out: 45.825756949558397

从该分布生成100个随机数：

prng = np.random.RandomState(0)    
random_numbers = prng.binomial(n, p, size=100)

计算平均值和标准差：

random_numbers.mean()
Out: 3004.8099999999999
random_numbers.std()
Out: 47.336813369723146

再产生100个：

prng = np.random.RandomState(1)
random_numbers = prng.binomial(n, p, size=100)

不同的均值和标准差：

random_numbers.mean()
Out: 2990.96

random_numbers.std()
Out: 46.245631145006548

您进一步增加样本量，均值和标准差将接近分布均值和分布标准差：

random_numbers = prng.binomial(n, p, size=10**7)

random_numbers.mean()
Out: 2999.9639155

random_numbers.std()
Out: 45.854409513250303

Answer 2

scipy库提供了哪些额外的功能，而不是numpy？

如果您查看其中一个单独发行版（例如， 测试版 ）的文档，您可以看到其他功能。 numpy函数只允许绘制随机值。 scipy发行版有许多额外的方法用于其他事物，如百分位数，累积分布函数，以及平均值和标准差等统计数据。

scipy给你的一些信息不能直接从numpy函数中计算出来。 numpy函数仅为您提供随机绘制的单个值，但scipy以数学方式表示分布，并且可以在不实际绘制任何值的情况下计算某些内容。 例如，scipy分布返回的许多统计数据都是用精确的数学公式计算的。 您可以在链接到的源中看到，例如，binom_gen._stats直接计算mean，stdev等。 要使用numpy找到平均值，你必须绘制一堆值（理论上是无限数）并计算它们的平均值; scipy抽象地抽象而不绘制任何值。 scipy发行版揭示了numpy无法获得的分布的数学细节。