当我查看文档时，* 巧合的是 * 在所有的例子中，n确实是值的总和。
这不是巧合。
我想我在这里误解了一些东西，当参数n显然只有一个合理的值时，有一个参数n有什么意义？
试验次数n可以是任何非负值，观测向量的和也可以是任何值，但只有当观测向量的和等于n时，才能得到非平凡的PMF（我将在最后说明这个参数的意义）。
当我看到多项分布时，我以为这些只是名字，标签，比如第0类，第1类，等等。
这是正确的;它们只是类别。
把它们总结起来对我来说毫无意义。
分类本身并不加总;观察到分类的试验次数加总。
我想我能理解其中的困惑，我假设这不是对概率分布本身的误解，只是SciPy需要参数n。
更具体地说，让我们举个例子。当你要求x = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]的概率质量- 0个类别0的观察值，1个类别1的观察值，等等. -你似乎想让多项式分布假设试验次数n = 45。它 * 没有 * 做这个假设;你必须显式地传递n。如果你传递n=100，它准备回答关于当你执行100次试验时所涉及的概率的问题。观察[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]的概率质量是零，因为在100次试验中只进行45次观察是不可能的。

from scipy import stats
p = [0.14285714, 0.11428571, 0.14285714, 0.08571429, 0.11428571, 0.05714286, 0.14285714, 0.02857143, 0.11428571, 0.05714286]
x = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
rv = stats.multinomial(n = 100, p=p)
rv.pmf(x)  # 0.0

字符串
如果你通过了n=45，你就会得到你想要的结果。

rv = stats.multinomial(n=sum(x), p=p)
rv.pmf(x)  # 2.485730789414698e-16

型
它被参数化的原因是因为它是一个基础设施的一部分，它不仅仅是评估PMF。例如，如果你想使用rvs方法绘制随机变量，你可以理解为什么你需要传入试验次数n-它需要知道要绘制多少个总观测值。

y = rv.rvs()
np.sum(y)  # 45

型
此外，将n视为多项分布的参数是标准的。参见Wikipedia's article on the multinomial distribution，例如- n 被列为参数。
x1c 0d1x的数据
（k是从数组p的长度推断出来的。
如果这是有意义的，请提交一个documentation issue文件，让我们知道我们可能在文档中包括了什么，以使这一点更加明显。