在实际应用中，我们经常需要从给定的概率密度函数（PDF）中抽取随机样本。这种需求在多个领域都很常见，例如：
- 估计统计量
- 进行蒙特卡洛模拟
- 生成粒子系统用于物理仿真
对于标准概率分布，如均匀分布或高斯分布（正态分布），
numpy
和
scipy
生态系统提供了现成的解决方案。通过
numpy.random
或
scipy.stats
模块，我们可以方便地生成这些分布的随机样本。
然而，现实世界中的概率分布往往远比标准分布复杂。例如，考虑以下非高斯分布：
图1：非高斯概率密度函数示例。等高线表示等密度线，在对数空间中等间隔分布。
https://avoid.overfit.cn/post/9731901f70c8460884e46d2f4df4caad
标签：概率密度函数,概率分布,生成,随机样本,lintsampler,numpy,高斯分布 From： https://www.cnblogs.com/deephub/p/18473689