我遇到的问题如下
我有一个包含 3 个值的一维整数列表（或 np.array）
l = [0,1,2]
我有一个二维概率列表（为简单起见，我们将使用两行）
P =
[[0.8, 0.1, 0.1],
[0.3, 0.3, 0.4]]
我想要的是numpy.random.choice(a=l, p=P)，其中P（概率分布）中的每一行都应用于l。所以，我想用概率从 [0,1,2] 中抽取一个随机样本。区[0.8, 0.1, 0.1] 首先，然后是概率。区[0.3, 0.3, 0.4] 接下来，给我两个输出。
===== 更新======
我可以使用 for 循环或列表推导，但我正在寻找一种快速/矢量化的解决方案。
【问题讨论】：
len(P)和len(l)是什么？
这是一种方法。
这是概率数组：
In [161]: p
Out[161]:
array([[ 0.8 , 0.1 , 0.1 ],
[ 0.3 , 0.3 , 0.4 ],
[ 0.25, 0.5 , 0.25]])
c 持有累积分布：
In [162]: c = p.cumsum(axis=1)
生成一组均匀分布的样本...
In [163]: u = np.random.rand(len(c), 1)
...然后在c 中查看它们“适合”的位置：
In [164]: choices = (u < c).argmax(axis=1)
In [165]: choices
Out[165]: array([1, 2, 2])
【讨论】：
searchsorted 是有意义的，但 searchsorted 没有 axis 参数来允许沿二维数组的轴进行操作，因此您必须编写Python中的一个循环，这很慢。但是对于 large 数组，它可能比argmax 更快。试一试，如果看起来不错，请添加另一个答案。
choices = (u < c).idxmax(axis=1) 而不是 choices = (u < c).argmax(axis=1)