目標(biāo)：用python生成一組具有上下限的對(duì)數(shù)正態(tài)分布隨機(jī)數(shù)。

思路：利用python的scipy.stats生成截?cái)嗾龖B(tài)分布，再將正態(tài)分布轉(zhuǎn)化為對(duì)數(shù)正態(tài)分布。

要求：生成的目標(biāo)對(duì)數(shù)正態(tài)分布隨機(jī)數(shù)要介于區(qū)間[log_lower,log_upper]內(nèi)，這里設(shè)定該區(qū)間為[5, 10]，并繪制正態(tài)分布與對(duì)數(shù)正態(tài)分布隨機(jī)數(shù)的直方圖。

源代碼：

            
              import numpy as np
from pylab import *
from scipy import stats
import matplotlib
import matplotlib.pyplot as plt
# 設(shè)置matplotlib正常顯示中文和負(fù)號(hào)
matplotlib.rcParams['font.sans-serif'] = ['SimHei']  # 用黑體顯示中文
matplotlib.rcParams['axes.unicode_minus'] = False  # 正常顯示負(fù)號(hào)

# region 【功能函數(shù)】生成截?cái)鄬?duì)數(shù)正態(tài)分布，要求對(duì)數(shù)正態(tài)在[log_lower,log_upper]
def get_trunc_lognorm(mu, sigma, log_lower, log_upper=np.inf, data_num=10000):
    norm_lower = np.log(log_lower)
    norm_upper = np.log(log_upper)
    X = stats.truncnorm((norm_lower - mu) / sigma, (norm_upper - mu) / sigma, loc=mu, scale=sigma)
    norm_data = X.rvs(data_num)
    log_data = np.exp(norm_data)
    return norm_data, log_data
# endregion

mu, sigma = 0, 1
norm_data, log_data = get_trunc_lognorm(mu, sigma, 5, 10)

figure(4)
subplot(2, 1, 1)
plt.hist(norm_data, normed=1, bins=30)
plt.xticks(np.arange(mu - 5 * sigma, mu + 5 * sigma, 0.5))
plt.title("中間過程的截?cái)嗾龖B(tài)分布")

subplot(2, 1, 2)
plt.hist(log_data, normed=1, bins=30)
plt.xticks(np.arange(0, 50, 5))
# plt.xlim(0,50)
plt.title("所求的截?cái)鄬?duì)數(shù)正態(tài)分布")
plt.show()
            
          

執(zhí)行結(jié)果：