我想对由多个维度（2,3,4）的函数定义的分布进行采样：
f(x, y, ...) = ...
分布可能很丑陋、不标准（例如数据上的 3D 样条、高斯总和等）。为此，我想对 2..4 维空间进行均匀采样，然后使用额外的随机数接受或拒绝空间的给定点进入我的样本。
有没有现成的 python 库可以用于此目的？
是否有 python lib 用于使用拉丁超立方体采样或其他均匀采样方法在这个 2..4 维空间中生成点？使用独立随机数的强力采样通常会导致空间的密度更高或更低。
如果 1) 和 2) 不存在，是否有人愿意分享他对相同或类似问题的实现。
我将在 python 代码中使用它，但也承认到其他解决方案的链接。
我想这是一个迟来的答案，但这也是为了未来的访客。我刚刚放了多维均匀拉丁超立方采样的实现 https://github.com/sahilm89/lhsmdu在 git 上。它很小，但非常容易使用。如果您的变量是独立的，您可以使用拉丁超立方采样生成 n 维采样的均匀随机变量。下面是在零相关的二维中比较蒙特卡罗和拉丁超立方采样多维均匀性 (LHS-MDU) 的示例图。
import lhsmdu
import matplotlib.pyplot as plt
import numpy
l = lhsmdu.sample(2,10) # Latin Hypercube Sampling of two variables, and 10 samples each.
k = lhsmdu.createRandomStandardUniformMatrix(2,10) # Monte Carlo Sampling
fig = plt.figure()
ax = fig.gca()
ax.set_xticks(numpy.arange(0,1,0.1))
ax.set_yticks(numpy.arange(0,1,0.1))
plt.scatter(k[0], k[1], color="b", label="LHS-MDU")
plt.scatter(l[0], l[1], color="r", label="MC")
plt.grid()
plt.show()
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
