home *** CD-ROM | disk | FTP | other *** search
/ OS/2 Shareware BBS: 10 Tools / 10-Tools.zip / pyos2bin.zip / Lib / random.py < prev    next >
Text File  |  1997-12-09  |  7KB  |  279 lines
  1. #    R A N D O M   V A R I A B L E   G E N E R A T O R S
  2. #
  3. #    distributions on the real line:
  4. #    ------------------------------
  5. #           normal (Gaussian)
  6. #           lognormal
  7. #           negative exponential
  8. #           gamma
  9. #           beta
  10. #
  11. #    distributions on the circle (angles 0 to 2pi)
  12. #    ---------------------------------------------
  13. #           circular uniform
  14. #           von Mises
  15.  
  16. # Translated from anonymously contributed C/C++ source.
  17.  
  18. from whrandom import random, uniform, randint, choice # Also for export!
  19. from math import log, exp, pi, e, sqrt, acos, cos, sin
  20.  
  21. # Housekeeping function to verify that magic constants have been
  22. # computed correctly
  23.  
  24. def verify(name, expected):
  25.     computed = eval(name)
  26.     if abs(computed - expected) > 1e-7:
  27.         raise ValueError, \
  28.   'computed value for %s deviates too much (computed %g, expected %g)' % \
  29.   (name, computed, expected)
  30.  
  31. # -------------------- normal distribution --------------------
  32.  
  33. NV_MAGICCONST = 4*exp(-0.5)/sqrt(2.0)
  34. verify('NV_MAGICCONST', 1.71552776992141)
  35. def normalvariate(mu, sigma):
  36.     # mu = mean, sigma = standard deviation
  37.  
  38.     # Uses Kinderman and Monahan method. Reference: Kinderman,
  39.     # A.J. and Monahan, J.F., "Computer generation of random
  40.     # variables using the ratio of uniform deviates", ACM Trans
  41.     # Math Software, 3, (1977), pp257-260.
  42.  
  43.     while 1:
  44.         u1 = random()
  45.         u2 = random()
  46.         z = NV_MAGICCONST*(u1-0.5)/u2
  47.         zz = z*z/4.0
  48.         if zz <= -log(u2):
  49.             break
  50.     return mu+z*sigma
  51.  
  52. # -------------------- lognormal distribution --------------------
  53.  
  54. def lognormvariate(mu, sigma):
  55.     return exp(normalvariate(mu, sigma))
  56.  
  57. # -------------------- circular uniform --------------------
  58.  
  59. def cunifvariate(mean, arc):
  60.     # mean: mean angle (in radians between 0 and pi)
  61.     # arc:  range of distribution (in radians between 0 and pi)
  62.  
  63.     return (mean + arc * (random() - 0.5)) % pi
  64.  
  65. # -------------------- exponential distribution --------------------
  66.  
  67. def expovariate(lambd):
  68.     # lambd: rate lambd = 1/mean
  69.     # ('lambda' is a Python reserved word)
  70.  
  71.     u = random()
  72.     while u <= 1e-7:
  73.         u = random()
  74.     return -log(u)/lambd
  75.  
  76. # -------------------- von Mises distribution --------------------
  77.  
  78. TWOPI = 2.0*pi
  79. verify('TWOPI', 6.28318530718)
  80.  
  81. def vonmisesvariate(mu, kappa):
  82.     # mu:    mean angle (in radians between 0 and 180 degrees)
  83.     # kappa: concentration parameter kappa (>= 0)
  84.     
  85.     # if kappa = 0 generate uniform random angle
  86.     if kappa <= 1e-6:
  87.         return TWOPI * random()
  88.  
  89.     a = 1.0 + sqrt(1.0 + 4.0 * kappa * kappa)
  90.     b = (a - sqrt(2.0 * a))/(2.0 * kappa)
  91.     r = (1.0 + b * b)/(2.0 * b)
  92.  
  93.     while 1:
  94.         u1 = random()
  95.  
  96.         z = cos(pi * u1)
  97.         f = (1.0 + r * z)/(r + z)
  98.         c = kappa * (r - f)
  99.  
  100.         u2 = random()
  101.  
  102.         if not (u2 >= c * (2.0 - c) and u2 > c * exp(1.0 - c)):
  103.             break
  104.  
  105.     u3 = random()
  106.     if u3 > 0.5:
  107.         theta = mu + 0.5*acos(f)
  108.     else:
  109.         theta = mu - 0.5*acos(f)
  110.  
  111.     return theta % pi
  112.  
  113. # -------------------- gamma distribution --------------------
  114.  
  115. LOG4 = log(4.0)
  116. verify('LOG4', 1.38629436111989)
  117.  
  118. def gammavariate(alpha, beta):
  119.         # beta times standard gamma
  120.     ainv = sqrt(2.0 * alpha - 1.0)
  121.     return beta * stdgamma(alpha, ainv, alpha - LOG4, alpha + ainv)
  122.  
  123. SG_MAGICCONST = 1.0 + log(4.5)
  124. verify('SG_MAGICCONST', 2.50407739677627)
  125.  
  126. def stdgamma(alpha, ainv, bbb, ccc):
  127.     # ainv = sqrt(2 * alpha - 1)
  128.     # bbb = alpha - log(4)
  129.     # ccc = alpha + ainv
  130.  
  131.     if alpha <= 0.0:
  132.         raise ValueError, 'stdgamma: alpha must be > 0.0'
  133.  
  134.     if alpha > 1.0:
  135.  
  136.         # Uses R.C.H. Cheng, "The generation of Gamma
  137.         # variables with non-integral shape parameters",
  138.         # Applied Statistics, (1977), 26, No. 1, p71-74
  139.  
  140.         while 1:
  141.             u1 = random()
  142.             u2 = random()
  143.             v = log(u1/(1.0-u1))/ainv
  144.             x = alpha*exp(v)
  145.             z = u1*u1*u2
  146.             r = bbb+ccc*v-x
  147.             if r + SG_MAGICCONST - 4.5*z >= 0.0 or r >= log(z):
  148.                 return x
  149.  
  150.     elif alpha == 1.0:
  151.         # expovariate(1)
  152.         u = random()
  153.         while u <= 1e-7:
  154.             u = random()
  155.         return -log(u)
  156.  
  157.     else:    # alpha is between 0 and 1 (exclusive)
  158.  
  159.         # Uses ALGORITHM GS of Statistical Computing - Kennedy & Gentle
  160.  
  161.         while 1:
  162.             u = random()
  163.             b = (e + alpha)/e
  164.             p = b*u
  165.             if p <= 1.0:
  166.                 x = pow(p, 1.0/alpha)
  167.             else:
  168.                 # p > 1
  169.                 x = -log((b-p)/alpha)
  170.             u1 = random()
  171.             if not (((p <= 1.0) and (u1 > exp(-x))) or
  172.                   ((p > 1)  and  (u1 > pow(x, alpha - 1.0)))):
  173.                 break
  174.         return x
  175.  
  176.  
  177. # -------------------- Gauss (faster alternative) --------------------
  178.  
  179. gauss_next = None
  180. def gauss(mu, sigma):
  181.  
  182.     # When x and y are two variables from [0, 1), uniformly
  183.     # distributed, then
  184.     #
  185.     #    cos(2*pi*x)*log(1-y)
  186.     #    sin(2*pi*x)*log(1-y)
  187.     #
  188.     # are two *independent* variables with normal distribution
  189.     # (mu = 0, sigma = 1).
  190.     # (Lambert Meertens)
  191.  
  192.     global gauss_next
  193.  
  194.     if gauss_next != None:
  195.         z = gauss_next
  196.         gauss_next = None
  197.     else:
  198.         x2pi = random() * TWOPI
  199.         log1_y = log(1.0 - random())
  200.         z = cos(x2pi) * log1_y
  201.         gauss_next = sin(x2pi) * log1_y
  202.  
  203.     return mu + z*sigma
  204.  
  205. # -------------------- beta --------------------
  206.  
  207. def betavariate(alpha, beta):
  208.  
  209.     # Discrete Event Simulation in C, pp 87-88.
  210.  
  211.     y = expovariate(alpha)
  212.     z = expovariate(1.0/beta)
  213.     return z/(y+z)
  214.  
  215. # -------------------- Pareto --------------------
  216.  
  217. def paretovariate(alpha):
  218.     # Jain, pg. 495
  219.  
  220.     u = random()
  221.     return 1.0 / pow(u, 1.0/alpha)
  222.  
  223. # -------------------- Weibull --------------------
  224.  
  225. def weibullvariate(alpha, beta):
  226.     # Jain, pg. 499; bug fix courtesy Bill Arms
  227.  
  228.     u = random()
  229.     return alpha * pow(-log(u), 1.0/beta)
  230.  
  231. # -------------------- test program --------------------
  232.  
  233. def test(N = 200):
  234.     print 'TWOPI         =', TWOPI
  235.     print 'LOG4          =', LOG4
  236.     print 'NV_MAGICCONST =', NV_MAGICCONST
  237.     print 'SG_MAGICCONST =', SG_MAGICCONST
  238.     test_generator(N, 'random()')
  239.     test_generator(N, 'normalvariate(0.0, 1.0)')
  240.     test_generator(N, 'lognormvariate(0.0, 1.0)')
  241.     test_generator(N, 'cunifvariate(0.0, 1.0)')
  242.     test_generator(N, 'expovariate(1.0)')
  243.     test_generator(N, 'vonmisesvariate(0.0, 1.0)')
  244.     test_generator(N, 'gammavariate(0.5, 1.0)')
  245.     test_generator(N, 'gammavariate(0.9, 1.0)')
  246.     test_generator(N, 'gammavariate(1.0, 1.0)')
  247.     test_generator(N, 'gammavariate(2.0, 1.0)')
  248.     test_generator(N, 'gammavariate(20.0, 1.0)')
  249.     test_generator(N, 'gammavariate(200.0, 1.0)')
  250.     test_generator(N, 'gauss(0.0, 1.0)')
  251.     test_generator(N, 'betavariate(3.0, 3.0)')
  252.     test_generator(N, 'paretovariate(1.0)')
  253.     test_generator(N, 'weibullvariate(1.0, 1.0)')
  254.  
  255. def test_generator(n, funccall):
  256.     import time
  257.     print n, 'times', funccall
  258.     code = compile(funccall, funccall, 'eval')
  259.     sum = 0.0
  260.     sqsum = 0.0
  261.     smallest = 1e10
  262.     largest = -1e10
  263.     t0 = time.time()
  264.     for i in range(n):
  265.         x = eval(code)
  266.         sum = sum + x
  267.         sqsum = sqsum + x*x
  268.         smallest = min(x, smallest)
  269.         largest = max(x, largest)
  270.     t1 = time.time()
  271.     print round(t1-t0, 3), 'sec,', 
  272.     avg = sum/n
  273.     stddev = sqrt(sqsum/n - avg*avg)
  274.     print 'avg %g, stddev %g, min %g, max %g' % \
  275.           (avg, stddev, smallest, largest)
  276.  
  277. if __name__ == '__main__':
  278.     test()
  279.