Matlab转Python：有限随机变量生成代码转换及random.uniform报错问题排查

问题背景 #

你想要把Matlab中生成有限(s,p)随机变量样本的代码转换成Python，但自己写的代码运行时出现了uniform() missing 1 required positional argument: 'b'错误，先来看看原Matlab代码和你写的Python代码：

原Matlab代码

function x=finiterv(s,p,m) 
% returns m samples 
% of finite (s,p) rv 
%s=s(:);p=p(:); 
r=rand(m,1); 
cdf=cumsum(p); 
x=s(1+count(cdf,r));

你编写的Python代码（带错误）

def infinterv(s,p,m): 
    #return m samples 
    #of finite (s,p) rv 
    r=random.uniform((m,1)) 
    cdf=p.cumsum(axis=0) 
    x=s(1+count(cdf,))

错误原因分析 #

你遇到的报错核心是随机数生成函数用错了：

• Matlab的rand(m,1)是生成一个m行1列的数组，其中每个元素都是0到1之间的均匀分布随机数；
• 而Python的random.uniform(a, b)是生成单个在[a,b]区间的随机数，你传了(m,1)作为第一个参数，缺少了第二个必填的b参数，自然会报错。
  另外，Python里也没有Matlab那种count(cdf, r)的用法，这部分也需要替换成合适的函数。

正确的Python实现（基于Numpy，和原Matlab逻辑一致） #

推荐用Numpy来实现，因为它的数组操作和Matlab的矩阵操作逻辑最接近，代码如下：

import numpy as np

def finiterv(s, p, m):
    # 返回有限(s,p)随机变量的m个样本
    # s: 随机变量的取值数组
    # p: 对应取值的概率数组，和s长度一致
    # m: 生成的样本数量
    s = np.asarray(s).flatten()  # 转成一维数组，对应Matlab的s(:)
    p = np.asarray(p).flatten()  # 转成一维数组，对应Matlab的p(:)
    
    # 生成m个0-1之间的均匀随机数，对应Matlab的rand(m,1)
    r = np.random.rand(m, 1)
    # 计算累积分布函数，对应Matlab的cumsum(p)
    cdf = np.cumsum(p)
    # 找到每个随机数r在cdf中的位置，对应Matlab的count(cdf,r)
    # searchsorted返回第一个大于r的索引，正好是我们需要的位置
    indices = np.searchsorted(cdf, r, side='right')
    # 取出对应的s值，因为Python是0索引，不需要+1（Matlab是1索引所以原代码+1）
    x = s[indices]
    return x

代码细节解释 #

• 数组格式统一：用np.asarray().flatten()把输入的s和p转成一维数组，对应Matlab里s=s(:)和p=p(:)的操作，确保后续计算不会出维度问题；
• 随机数生成：np.random.rand(m,1)完美对应Matlab的rand(m,1)，生成m个0到1的随机数数组；
• 累积分布计算：np.cumsum(p)和Matlab的cumsum(p)完全一致，生成概率的累积数组；
• 索引匹配：np.searchsorted(cdf, r, side='right')的作用是，对于每个r值，找到它在cdf数组中应该插入的位置（保证插入后数组仍有序），这个位置正好对应原Matlab中count(cdf,r)的结果——因为count是统计cdf中小于r的元素个数，而searchsorted返回的索引就是这个个数，又因为Python是0索引，所以直接用这个索引取s的值即可，不需要像Matlab那样+1。

测试示例 #

比如你可以这样调用测试：

s = [1, 2, 3]
p = [0.2, 0.3, 0.5]
samples = finiterv(s, p, 10)
print(samples)

运行后会得到10个符合概率分布的样本。

内容的提问来源于stack exchange，提问作者leetster