Numpy随机生成器样本（numpy.random.Generator.choice）中倾斜的随机样本

Question

我制作了一段Python来生成正态分布的混合，我想从中取样。结果就是我的概率密度函数，因此我希望样本能够代表原始分布的代表性。 所以我开发了创建pdf的功能：

def gaussian_pdf(amplitude, mean, std, sample_int):
    coeff = (amplitude / std) / np.sqrt(2 * np.pi)
    if len(amplitude > 1):
        # create mixture distribution
        # get distribution support
        absciss_array = np.linspace(np.min(mean) - 4 * std[np.argmin(mean)],
                                    np.max(mean) + 4 * std[np.argmax(mean)],
                                    sample_int)
        normal_array = np.zeros(len(absciss_array))
        for index in range(0, len(amplitude)):
            normal_array += coeff[index] * np.exp(-((absciss_array - mean[index]) / std[index]) ** 2)
    else:
        # create simple gaussian distribution
        absciss_array = np.linspace(mean - 4*std, mean + 4*std, sample_int)
        normal_array = coeff * np.exp(-((absciss_array - mean) / 2*std) ** 2)

    return np.ascontiguousarray(normal_array / np.sum(normal_array))

我已经用脚本的 main 部分测试了一个采样：

def main():
    amplitude = np.asarray([1, 2, 1])
    mean = np.asarray([0.5, 1, 2.5])
    std = np.asarray([0.1, 0.2, 0.3])
    no_sample = 10000

    # create mixture gaussian array
    gaussian_array = gaussian_pdf(amplitude, mean, std, no_sample)

    # pot data
    fig, ax = plt.subplots()
    absciss = np.linspace(np.min(gaussian_array), np.max(gaussian_array), no_sample)
    ax.plot(absciss, gaussian_array)

    # create random generator to sample from distribution
    rng = np.random.default_rng(424242)
    # sample from distribution
    sample = rng.choice(a=gaussian_array, size=100, replace=True, p=gaussian_array)
    # plot results
    ax.plot(sample, np.full_like(sample, -0.00001), '|k', markeredgewidth=1)

    plt.show()

    return None

然后我得到结果：

您可以用黑线看到从分布中提取的样本。问题是，即使我在numpy函数中指定使用概率数组，采样也会偏向分布的末尾。我已经尝试了几次其他种子，但结果没有改变... 我希望在概率密度更大的区域中有更多的样本。

有人可以帮我吗？我在这里想念什么吗？ 预先感谢。

Answer 1

实际上，答案是使用均匀分布进行采样。感谢@ amzon-ex指出这一点。 代码如下：

absciss = np.linspace(np.min(gaussian_array), np.max(gaussian_array), no_sample)
sample_other = rng.choice(a=absciss, size=100, replace=True, p=gaussian_array)