Python如何生成x从0开始计数的几何分布随机样本

两种几何分布仅存在计数偏移，核心概率逻辑完全一致：

• numpy.random.geometric 生成的是首次成功时的总试验次数，取值域为1,2,3...，对应PMF为 $P(X=k) = p(1-p)^{k-1}$
• 你需要的是首次成功前的失败次数，取值域为0,1,2...，对应PMF为 $P(Y=k) = p(1-p)^{k}$

方案1：直接偏移numpy生成结果（推荐，无额外依赖） #

两个随机变量满足 $Y = X - 1$，直接对numpy的采样结果减1即可，统计特性完全匹配目标分布：

import numpy as np

p = 0.3
# 生成100个符合要求的0起始几何分布样本
samples = np.random.geometric(p=0.3, size=100) - 1

校验：原分布取1的概率为p，偏移后对应取值0的概率p；原分布取k的概率为$p(1-p)^{{k-1}$，偏移后对应取值k-1的概率$p(1-p)}{(k-1)}$，和目标PMF完全吻合。

方案2：Scipy内置参数调整实现 #

如果你的项目已经依赖Scipy，可以直接通过loc参数平移分布实现，不需要手动做减法：

from scipy.stats import geom

p = 0.3
samples = geom.rvs(p=0.3, loc=-1, size=100)

注意事项 #

• 不推荐手写逆变换采样逻辑，numpy、Scipy的内置实现经过充分性能优化，大样本量下速度远快于手写Python循环。
• 两种方案生成的样本分布完全一致，优先选不需要额外安装依赖的偏移法即可。

内容的提问来源于stack exchange，提问作者BTM