NumPy 正态分布与 Seaborn 可视化指南
|
正态分布(高斯分布)
简介
正态分布(也称为高斯分布)是一种非常重要的概率分布,它描述了许多自然和人为现象的数据分布情况。正态分布的形状呈钟形,其峰值位于平均值处,两侧对称下降。
特征
正态分布可以用两个参数来完全描述:
均值(μ):表示数据的平均值,分布的峰值位于 μ 处。
标准差(σ):表示数据的离散程度,数值越大,分布越平坦。
生成正态分布数据
NumPy 提供了 random.normal() 函数来生成服从正态分布的随机数。该函数接受以下参数:
loc:正态分布的均值,默认为 0。
scale:正态分布的标准差,默认为 1。
size:输出数组的形状。
示例:生成 100 个服从正态分布的随机数,均值为 5,标准差为 2:- import numpy as np
- data = np.random.normal(loc=5, scale=2, size=100)
- print(data)
复制代码 可视化正态分布
Seaborn 库提供了便捷的函数来可视化分布,包括正态分布。
示例:绘制服从正态分布的数据的分布图:- import seaborn as sns
- import numpy as np
- data = np.random.normal(size=1000)
- sns.distplot(data)
- plt.show()
复制代码 应用
正态分布在许多领域都有应用,例如:
统计学:用于推断总体参数,进行假设检验等。
机器学习:用于数据预处理,特征工程等。
金融:用于建模股票价格、汇率等金融数据。
工程:用于控制质量、可靠性分析等。
练习
- 生成 500 个服从正态分布的随机数,均值为 10,标准差为 3,并绘制它们的分布图。
- 比较不同标准差下正态分布形状的变化。
- 利用正态分布来模拟一次考试成绩,并计算平均分和标准分。
解决方案
- import seaborn as sns
- import numpy as np
- import matplotlib.pyplot as plt
- # 1. 生成服从正态分布的随机数并绘制分布图
- data = np.random.normal(loc=10, scale=3, size=500)
- sns.distplot(data)
- plt.show()
- # 2. 比较不同标准差下正态分布形状的变化
- sns.distplot(np.random.normal(size=1000, scale=1), label="σ=1")
- sns.distplot(np.random.normal(size=1000, scale=2), label="σ=2")
- sns.distplot(np.random.normal(size=1000, scale=3), label="σ=3")
- plt.legend()
- plt.show()
- # 3. 模拟考试成绩并计算平均分和标准分
- scores = np.random.normal(loc=80, scale=10, size=100)
- print("平均分:", scores.mean())
- print("标准分:", (scores - scores.mean()) / scores.std())
复制代码 解释:
在第一个练习中,我们生成了 500 个服从正态分布的随机数,均值为 10,标准差为 3,并使用 Seaborn 的 distplot() 函数绘制了它们的分布图。
在第二个练习中,我们生成了三个服从正态分布的数据集,分别设置标准差为 1、2 和 3,并使用 Seaborn 的 distplot() 函数绘制了它们的分布图。我们可以观察到,随着标准差的增加,分布变得更加平坦,两侧的尾巴更加明显。
在第三个练习中,我们模拟了一次考试成绩,假设成绩服从正态分布,均值为 80,标准差为 10。然后,我们计算了考试成绩的平均分和标准分。
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/18209447
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! |
|
|
|
发表于 2024-5-24 01:34:59
举报
回复
分享
|
|
|
|