Tạo phân phối chuẩn với giá trị trung bình 32 và độ lệch chuẩn 4,5 trong python

Phân phối chuẩn NumPy là một trong những chức năng khác nhau được hỗ trợ bởi thư viện numpy python cho phép chúng tôi tạo phân phối bình thường hoặc phân phối Gaussian, có thể được sử dụng để phù hợp với phân phối xác suất của các yếu tố và sự kiện khác nhau xảy ra tự nhiên hoặc do chúng tôi tạo ra. Hơn nữa, với sự trợ giúp của tính năng ngẫu nhiên được thư viện numpy hỗ trợ, chúng ta có thể tạo hoặc tạo phân phối chuẩn ngẫu nhiên và sử dụng các gói trực quan hóa khác nhau trong python, chúng ta cũng có thể vẽ và trực quan hóa phân phối

cú pháp

Bắt đầu khóa học phát triển phần mềm miễn phí của bạn

Phát triển web, ngôn ngữ lập trình, kiểm thử phần mềm và những thứ khác

Cú pháp cơ bản của hàm NumPy Newaxis là

Gói phát triển phần mềm tất cả trong một[hơn 600 khóa học, hơn 50 dự án]

Giá
Xem khóa học

600+ Khóa học trực tuyến. hơn 50 dự án. Hơn 3000 giờ. Giấy chứng nhận có thể kiểm chứng. Truy cập Trọn đời
4. 6 [84.149 xếp hạng]

numpy.random.normal[loc=, scale= size=]

• cục mịch. ngẫu nhiên. thông thường. Đây là chức năng được sử dụng để tạo phân phối bình thường về hình dạng và kích thước mong muốn của chúng tôi
• lộc. Cho biết giá trị trung bình hoặc trung bình của phân phối;
• tỉ lệ. Một số nguyên không âm hoặc float biểu thị độ lệch chuẩn, là chiều rộng của phân phối tổng thể
• kích thước. Nó có thể là một bộ có số float hoặc số nguyên và nó biểu thị kích thước hoặc hình dạng đầu ra của phân phối và khi loc và scale là n giá trị vô hướng, kích thước sẽ được trả về một giá trị duy nhất khi kích thước được cho là không có đầu vào

Ví dụ về phân phối bình thường NumPy

Đưa ra dưới đây là các ví dụ về phân phối bình thường NumPy

Ví dụ 1

Chúng ta hãy xem một ví dụ cơ bản để hiểu cách sử dụng hàm phân phối chuẩn numpy để tạo phân phối chuẩn

Mã số

import numpy as np
mean = 2
sigma = 0.4
out = np.random.normal[mean, sigma, 500]

đầu ra

Ở đây trong ví dụ trên, chúng tôi đã gọi thư viện numpy để tạo hàm phân phối chuẩn. Chúng tôi đã khai báo giá trị trung bình và sigma hoặc độ lệch chuẩn của phân phối chuẩn và chúng tôi đã tạo phân phối có kích thước 500 trong đó một mảng gồm 500 mục nhập sẽ được tạo bằng cách sử dụng ngẫu nhiên. chức năng bình thường []. Bằng cách này, chúng ta có thể tạo một phân phối bình thường. Ngoài ra, chúng tôi đã sử dụng gói seaborn, được sử dụng để trực quan hóa các ô. Sử dụng distplot từ một thư viện seaborn, chúng tôi đã vẽ biểu đồ phân phối bình thường của chúng tôi. Chúng tôi có thể hình dung phân phối cùng với đường cong cho phân phối của chúng tôi

Ví dụ #2

Trong ví dụ này, chúng ta sẽ xem cách thay đổi mảng một chiều thành mảng hai chiều bằng cách sử dụng đối tượng axis mới

Mã số

import numpy as np
out1 = np.random.normal[2, 4.5, size=[4, 8]]
out1

đầu ra

Trong ví dụ này, chúng tôi đã tạo một phân phối chuẩn ngẫu nhiên có kích thước mong muốn trong đó chúng tôi đã khai báo kích thước dưới dạng một mảng [4,8]. Giá trị trung bình được khai báo là 2 và độ lệch chuẩn là 4. 5 và sử dụng np. ngẫu nhiên. chức năng bình thường, chúng tôi đã tạo phân phối

Ví dụ #3

Trong ví dụ này, chúng tôi đã tạo hai mảng phân phối bình thường, 'a' và 'b', sử dụng các kỹ thuật khác nhau

Mã số

import numpy as np
a = np.random.normal[size=[3, 4]]
b = np.random.normal[loc=2, scale=3, size=[2, 3]]
print[a]
print[b]

đầu ra

Ở đây trong ví dụ trên, chúng tôi đã gọi thư viện numpy để tạo hàm phân phối chuẩn. Chúng tôi đã khai báo giá trị trung bình và sigma hoặc độ lệch chuẩn của phân phối chuẩn và chúng tôi đã tạo phân phối có kích thước 500 trong đó một mảng gồm 500 mục nhập sẽ được tạo bằng cách sử dụng ngẫu nhiên. bình thường [] chức năng. Bằng cách này, chúng ta có thể tạo một phân phối bình thường. Ngoài ra, chúng tôi đã sử dụng gói seaborn, được sử dụng để trực quan hóa các ô. Sử dụng distplot từ một thư viện seaborn, chúng tôi đã vẽ biểu đồ phân phối bình thường của chúng tôi. Chúng tôi có thể hình dung phân phối cùng với đường cong cho phân phối của chúng tôi

Ví dụ #4

Trong ví dụ này, chúng ta sẽ xem cách chúng ta có thể trực quan hóa phân phối chuẩn bằng cả thư viện matplotlib và thư viện seaborn

Mã số

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
mean = 3
sigm = 5
out = np.random.normal[mean, sigma, 1000]
sns.distplot[out,hist=False]
plt.hist[out, 25, density=True]

đầu ra

Tương tự như ví dụ đầu tiên, chúng tôi đã gọi thư viện numpy để tạo hàm phân phối chuẩn. Chúng tôi đã khai báo giá trị trung bình và sigma hoặc độ lệch chuẩn của phân phối chuẩn và chúng tôi đã tạo phân phối có kích thước 1000 trong đó một mảng gồm 1000 mục nhập sẽ được tạo bằng cách sử dụng ngẫu nhiên. bình thường [] chức năng. Ngoài ra, chúng tôi đã sử dụng gói seaborn và matplotlib, được sử dụng để trực quan hóa các ô. Sử dụng distplot từ thư viện seaborn, chúng tôi chỉ vẽ đồ thị đường cong của phân phối chuẩn bằng cách đặt tham số hist là Sai. Biểu đồ sẽ không được hiển thị và chúng tôi đã tạo biểu đồ thư viện matplotlib cho bản phân phối của chúng tôi và cả hai biểu đồ được vẽ như đã thấy trong đầu ra

Ví dụ #5

Trong ví dụ này, chúng tôi đã tạo phân phối bình thường và phân phối ngẫu nhiên và so sánh cả hai phân phối bằng cách sử dụng biểu đồ từ thư viện matplotlib

Mã số

import numpy as np
N, mean, sigm = 1000, 50, 7
a = mean + sigm*np.random.randn[N]
b = mean + sigm*[np.random.rand[N]-0.7]
fig, axes = plt.subplots[ncols=2]
axes[0].set_title['Normal Distribution']
x, bin_1, patch1 = axes[0].hist[a, 20, facecolor='R', alpha=0.7]
axes[1].set_title['Random Distribution']
x2, bins_2, patch2 = axes[1].hist[b, 20, facecolor='K', alpha=0.7]
plt.show[]

đầu ra

Trong ví dụ này, chúng tôi đã tạo hai phân phối, 'a' và 'b', là phân phối bình thường và ngẫu nhiên bằng cách sử dụng hàm ngẫu nhiên numpy. Ngoài ra, chúng tôi đã khai báo số đầu ra mảng 'N' là 1000, có nghĩa là 50 và độ lệch chuẩn là 7, đồng thời chúng tôi đã tạo cả hai mảng và vẽ chúng theo hai trục bằng thư viện matplotlib và cả hai biểu đồ này đều hiển thị rõ ràng

Ví dụ #6

Chúng tôi đã tạo một bản phân phối bình thường hơn và vẽ bản phân phối bằng thư viện matplotlib

Mã số

import numpy as np
N, mean, sigm = 10000, 50, 7
a = mean + sigm*np.random.randn[N]
plt.hist[a, 30, facecolor='lightblue', alpha=0.9]
plt.show[]

import numpy as np
b= np.random.randn[1000]
plt.hist[b, 100, facecolor='violet', alpha=0.9]
plt.show[]

đầu ra

Phần kết luận

Trong bài viết này, chúng ta đã thấy chi tiết hàm phân phối chuẩn NumPy sử dụng đối tượng ngẫu nhiên có nhiều mảng bằng cách sử dụng các ví dụ khác nhau để hiểu rõ hơn về hàm phân phối chuẩn numpy và cách sử dụng của nó. Chúng ta cũng đã thấy cách sử dụng phân phối chuẩn có thể được tạo bằng các tham số khác nhau và các kỹ thuật khác nhau liên quan đến việc tạo mảng phân phối chuẩn. Cuối cùng, chúng tôi cũng đã sử dụng các thư viện trực quan khác nhau như matplotlib và seaborn để vẽ biểu đồ phân phối kết quả bằng các ví dụ

Bài viết được đề xuất

Đây là hướng dẫn về Phân phối chuẩn NumPy. Ở đây chúng tôi thảo luận về phần giới thiệu về Phân phối chuẩn NumPy cùng với các ví dụ tương ứng. Bạn cũng có thể xem các bài viết sau để tìm hiểu thêm –

Làm cách nào để tìm phân phối chuẩn với giá trị trung bình và độ lệch chuẩn trong Python?

Phân phối chuẩn chuẩn trong Python là gì?

Làm thế nào để tính toán độ lệch chuẩn Python?