NumPy 随机数据分布与 Seaborn 可视化详解
随机数据分布什么是数据分布?
数据分布是指数据集中所有可能值出现的频率,并用概率来表示。它描述了数据取值的可能性。
在统计学和数据科学中,数据分布是分析数据的重要基础。
NumPy 中的随机分布
NumPy 的 random 模块提供了多种方法来生成服从不同分布的随机数。
生成离散分布随机数
choice(a, p, size):从数组 a 中随机选择元素,并根据概率 p 进行选择。
a:源数组,包含所有可能值。
p:每个值的概率数组,总和必须为 1。
size:输出数组的形状。
示例:生成 100 个随机数,其中 3 出现的概率为 0.2,5 出现的概率为 0.4,7 出现的概率为 0.3,9 出现的概率为 0.1:
import numpy as np
x = np.random.choice(, p=, size=100)
print(x)生成连续分布随机数
NumPy 提供了多种方法来生成服从不同连续分布的随机数,例如正态分布、均匀分布、指数分布等。
randn(size):生成服从标准正态分布的随机数。
rand(size):生成服从均匀分布的随机数。
beta(a, b, size):生成服从 Beta 分布的随机数。
gamma(shape, scale, size):生成服从 Gamma 分布的随机数。
poisson(lam, size):生成服从泊松分布的随机整数。
示例:生成 10 个服从标准正态分布的随机数:
import numpy as np
x = np.random.randn(10)
print(x)随机排列
洗牌数组
shuffle(arr):对数组 arr 进行随机洗牌,修改原始数组。
示例:随机洗牌数组 :
import numpy as np
from numpy.random import shuffle
arr = np.array()
shuffle(arr)
print(arr)生成数组的随机排列
permutation(arr):生成数组 arr 元素的随机排列,不修改原始数组。
示例:生成数组 的随机排列:
import numpy as np
from numpy.random import permutation
arr = np.array()
x = permutation(arr)
print(x)练习
[*]使用 choice 方法生成 200 个随机数,其中 1 出现的概率为 0.1,2 出现的概率为 0.2,3 出现的概率为 0.7。
[*]生成 10 个服从指数分布的随机数。
[*]对数组 进行随机洗牌。
[*]生成数组 元素的随机排列。
解决方案
import numpy as np
from numpy.random import choice, permutation, expon
# 1. 使用 choice 方法生成随机数
random_numbers = choice(, p=, size=200)
print(random_numbers)
# 2. 生成服从指数分布的随机数
exponential_randoms = expon(scale=1, size=10)
print(exponential_randoms)
# 3. 对数组进行随机洗牌
arr = np.array()
shuffle(arr)
print(arr)
# 4. 生成数组的随机排列
random_permutation = permutation()
print(random_permutation)使用 Seaborn 可视化分布
简介
Seaborn 是一个基于 Matplotlib 的 Python 数据可视化库,用于创建统计图表。它提供了一系列高级绘图函数,可以轻松创建美观且信息丰富的统计图形。
安装 Seaborn
如果您已经安装了 Python 和 pip,可以使用以下命令安装 Seaborn:
pip install seaborn如果您使用的是 Jupyter Notebook,可以使用以下命令安装 Seaborn:
!pip install seaborn绘制分布图
分布图是一种可视化数据分布的图表。它显示了数据集中每个值的出现频率。
在 Seaborn 中,可以使用 sns.distplot() 函数绘制分布图。该函数接受以下参数:
data:要绘制分布的数据。可以是数组、列表或 Pandas 数据框。
hist:如果为 True(默认),则绘制直方图;如果为 False,则只绘制密度曲线。
kde:如果为 True(默认),则使用核密度估计 (KDE) 来估计数据的分布;如果为 False,则使用直方图。
bins:用于创建直方图的直方图数量。
norm:用于规范分布的类型。例如,norm='kde' 将使用 KDE 来规范分布。
示例:绘制正态分布
以下示例演示如何使用 Seaborn 绘制正态分布:
import seaborn as sns
import numpy as np
# 生成随机数据
data = np.random.randn(1000)
# 绘制分布图
sns.distplot(data)
plt.show()该代码将生成 1000 个服从标准正态分布的随机数,并使用 Seaborn 绘制它们的分布图。
示例:绘制自定义分布
以下示例演示如何绘制自定义分布:
import seaborn as sns
import numpy as np
# 生成自定义数据
data =
# 绘制分布图
sns.distplot(data, hist=False, kde=False)
plt.show()该代码将生成一个包含重复值的自定义数据数组,并使用 Seaborn 绘制它们的分布图,不显示直方图或密度曲线。
练习
[*]生成 500 个服从均匀分布的随机数,并绘制它们的分布图。
[*]生成 1000 个服从指数分布的随机数,并绘制它们的分布图。
[*]从以下数据中绘制分布图:
data = [23, 37, 43, 29, 31, 32, 36, 27, 31, 33, 34, 25, 27, 28, 42, 38, 27, 27, 33, 31, 26, 29, 31, 35, 33, 30, 30, 32, 36, 28, 31, 33, 38, 29, 31, 31, 34, 36, 26, 25, 26, 34, 37, 28, 36, 31, 29, 31, 27, 28, 32, 37, 30, 33, 33, 27, 31, 32, 32, 36, 25, 32, 35, 37, 37, 30, 31, 34, 33, 29, 32, 31, 36, 26, 29, 31, 37, 28, 28, 37, 31, 32, 36, 33, 27, 31, 32, 33, 32, 32, 30, 27, 36, 38, 35, 26, 32, 37, 31, 30, 33, 30, 27,
## 最后
为了方便其他设备和平台的小伙伴观看往期文章:
微信公众号搜索:`Let us Coding`,关注后即可获取最新文章推送
看完如果觉得有帮助,欢迎点赞、收藏、关注
来源:https://www.cnblogs.com/xiaowange/p/18205065
免责声明:由于采集信息均来自互联网,如果侵犯了您的权益,请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容,谢谢合作!
页:
[1]