scipy.stats模塊和numpy.random模塊之間有什么區別，兩個模塊之間的類似方法有什么區別？

Question

我在python上查看了一些分發函數：

均勻，二項式，伯努利，正態分布

我發現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)

仔細檢查代碼，我發現scipy在內部使用了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，我的問題是擁有2份相同分配函數的主要動機是什么？

scipy庫提供了哪些額外的功能，而不是numpy？

每個模塊中的完整方法列表如下：

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

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

我發現了兩個模塊之間的一些基本區別： scipy.stats的隨機抽取之間的差異...... rvs和numpy.random

Answer 1

scipy生成隨機變量，而numpy生成隨機數 。 當您使用np.random.binomial(n, p, 1)它僅僅是一個實現了隨機變量（的binom(n, p)

在概率和統計中，隨機變量的實現或觀察值是實際觀察到的值（實際發生的情況）。 隨機變量本身就是決定觀察結果的過程。 從實現中計算而不部署統計模型的統計量通常被稱為“經驗”，如經驗分布函數或經驗概率。

一般來說，numpy的作用是多次擲骰子。 另一方面，scipy告訴你連續獲得兩個六的概率是多少。 如果你將硬幣翻轉一百次， 預期的尾巴數量是多少。

當然你可以在numpy中運行模擬並近似這些值（翻轉一百萬次硬幣，尾巴數量約為50萬）。 然而，這只是實驗的結果。 一個隨機變量告訴你理論解決方案（對於二項式，這是n次p ，其中n是試驗次數，p是概率。所以你會得到50萬。

---

這是一個小小的演示：

import scipy.stats as ss
import numpy as np

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

獲得隨機變量的均值和標准差：

rv.mean()
Out: 3000.0

rv.std()
Out: 45.825756949558397

從該分布生成100個隨機數：

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

計算平均值和標准差：

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

再產生100個：

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

不同的均值和標准差：

random_numbers.mean()
Out: 2990.96

random_numbers.std()
Out: 46.245631145006548

您進一步增加樣本量，均值和標准差將接近分布均值和分布標准差：

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

random_numbers.mean()
Out: 2999.9639155

random_numbers.std()
Out: 45.854409513250303

Answer 2

scipy庫提供了哪些額外的功能，而不是numpy？

如果您查看其中一個單獨發行版（例如， 測試版 ）的文檔，您可以看到其他功能。 numpy函數只允許繪制隨機值。 scipy發行版有許多額外的方法用於其他事物，如百分位數，累積分布函數，以及平均值和標准差等統計數據。

scipy給你的一些信息不能直接從numpy函數中計算出來。 numpy函數僅為您提供隨機繪制的單個值，但scipy以數學方式表示分布，並且可以在不實際繪制任何值的情況下計算某些內容。 例如，scipy分布返回的許多統計數據都是用精確的數學公式計算的。 您可以在鏈接到的源中看到，例如，binom_gen._stats直接計算mean，stdev等。 要使用numpy找到平均值，你必須繪制一堆值（理論上是無限數）並計算它們的平均值; scipy抽象地抽象而不繪制任何值。 scipy發行版揭示了numpy無法獲得的分布的數學細節。