NumPy随机数据分布与Seaborn可视化详解

原创
ithorizon 9个月前 (07-01) 阅读数 128 #Python
目录
  • 随机数据分布
    • 什么是数据分布?
    • NumPy 中的随机分布
      • 生成离散分布随机数
      • 生成连续分布随机数
    • 随机排列
      • 洗牌数组
      • 生成数组的随机排列
    • 练习
    • 解决方案
      • 使用 Seaborn 可视化分布
        • 简介
          • 安装 Seaborn
            • 绘制分布图
              • 示例:绘制正态分布
                • 示例:绘制自定义分布
                  • 练习

                  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也许值出现的频率,并用概率来描述。它描述了数据取值的也许性。

                  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,并结合概率 p 进行选择。 a:源数组,包含所有也许值。 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([3, 5, 7, 9], p=[0.2, 0.4, 0.3, 0.1], 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 [1, 2, 3, 4, 5]

                  import numpy as np
                  from numpy.random import shuffle
                  
                  arr = np.array([1, 2, 3, 4, 5])
                  
                  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 [1, 2, 3, 4, 5] 的随机排列:

                  import numpy as np
                  from numpy.random import permutation
                  
                  arr = np.array([1, 2, 3, 4, 5])
                  
                  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 [10, 20, 30, 40, 50] 进行随机洗牌。
                  • 生成数组 [6, 7, 8, 9, 10] 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([1, 2, 3], p=[0.1, 0.2, 0.7], 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([10, 20, 30, 40, 50])
                  shuffle(arr)
                  print(arr)
                  
                  # 4. 生成数组的随机排列
                  random_permutation = permutation([6, 7, 8, 9, 10])
                  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充足的统计图形。

                  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

                  以下示例演示怎样使用 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

                  以下示例演示怎样绘制自定义分布:

                  import seaborn as sns
                  import numpy as np
                  
                  # 生成自定义数据
                  data = [1, 2, 2, 3, 3, 3, 4, 4, 5, 5, 6, 7, 7, 8, 9]
                  
                  # 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, 
                  

                  到此这篇涉及NumPy随机数据分布与Seaborn可视化详解的文章就介绍到这了,更多相关NumPy数据分布与Seaborn内容请搜索IT视界以前的文章或继续浏览下面的相关文章愿望大家以后多多拥护IT视界!


                  本文由IT视界版权所有,禁止未经同意的情况下转发

                  文章标签: Python


                  热门