python|numpy常用知识整理 python|numpy

1、numpy生成常见概率分布二项分布
试验由一系列相同的n个试验组成，每次试验有两种可能的结果，成功或者失败；每次试验成功的概率是相同的，用p来表示；试验是相互独立的。
设x为n次试验中的成功的次数，由于随机变量的个数是有限的，所以x是一个离散型随机变量

import numpy as np import matplotlib.pyplot as plt n=100 p=0.7 a = np.random.binomial(n, p, size=10000) #绘制柱状图，bins是柱数 plt.hist(a,bins=20,color='g',alpha=0.4,edgecolor='b') plt.show()

文章图片

每次进行一百次，概率是0.7所以大概70左右是最多的，剩下的依次递减（理论和图像也比较接近）
泊松分布
在任意两个相等长度的区间上，事件发生的概率相等；事件在某一区间上是否发生与事件在其他区间上是否发生所独立的。
设一个某站台平均每小时会经过8辆公共汽车

import numpy as np import matplotlib.pyplot as plt b = np.random.poisson(8,1000)#试验重复1000次 plt.hist(b,bins=16,color='g',alpha=0.4,edgecolor='b') #输出坐标轴 print(plt.hist(b,bins=16,color='g',alpha=0.4,edgecolor='b')) plt.show()

文章图片

输出坐标轴的数值

文章图片

通过上图可以求解各个时间段经过x辆车的概率（例如求每小时经过15辆的概率，因为进行了1000次，所以图片中x=15对应的y/1000即所求概率）
均匀分布
在任意相同长度间隔内分布概率相等的概率分布
low为下限，high为上限，size为取样数量

import numpy as np import matplotlib.pyplot as plt low=-1 high=1 size=100000 c=np.random.uniform(low,high,size) #输出坐标轴 print(plt.hist(c,bins=16,color='g',alpha=0.4,edgecolor='b')) plt.show()

文章图片

在这个区间内的生成的数基本持平（size越大则越准确）
正态分布
当二项分布的样本数量足够大时，其分布曲线会变成对称的钟形，我们将这种分布形态成为正态分布
loc为期望，scale为标准差，size为取样数量，默认为Non

import numpy as np import matplotlib.pyplot as plt d = np.random.normal(loc=0,scale=1,size=100000) plt.hist(d,bins=50,color='g',alpha=0.4,edgecolor='b') plt.show()

文章图片

指数分布
指数分布与泊松分布类似，泊松分布描述了每一个区间内事件发生的次数，而指数分布描述了事件发生的事件间隔长度。
设一个某站台平均每小时会经过8辆公共汽车，可以求两辆公共汽车间隔时间不超过x小时的概率
参数根据题目应该好了解～

import numpy as np import matplotlib.pyplot as plt e = np.random.exponential(1/8,10000) plt.hist(e,bins=20,color='g',edgecolor='b',alpha=0.4) plt.show()

文章图片

概率求解与泊松分布类似
2、numpy生成各类随机数

import numpy as np import matplotlib.pyplot as plt #0-10范围内的整数，100个 a=np.random.randint(0,10,100) print(a) ##0到1的均匀分布，40个 b=np.random.rand(40) print(b) ##标准正态分布，10个 c=np.random.randn(10) print(c) #生成指定正态分布，均值0。方差1，100个 d=np.random.normal(0,1,100) print(d) #0到1的均匀分布，20个 e=np.random.random(20) print(e) #0到1的均匀分布。20个 f=np.random.ranf(20) print(f) #指定-1到1均匀分布，100个 g=np.random.uniform(-1,1,100) print(g)