快捷導(dǎo)航

python如何生成各種隨機(jī)分布圖

更新時(shí)間：2018年08月27日 11:31:56 作者：llh_1178

這篇文章主要為大家詳細(xì)介紹了python如何生成各種隨機(jī)分布圖，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下

在學(xué)習(xí)生活中，我們經(jīng)常性的發(fā)現(xiàn)有很多事物背后都有某種規(guī)律，而且，這種規(guī)律可能符合某種隨機(jī)分布，比如：正態(tài)分布、對(duì)數(shù)正態(tài)分布、beta分布等等。

所以，了解某種分布對(duì)一些事物有更加深入的理解并能清楚的闡釋事物的規(guī)律性?，F(xiàn)在，用python產(chǎn)生一組隨機(jī)數(shù)據(jù)，來(lái)演示這些分布：

import random
import matplotlib
import matplotlib.pyplot as plt
SAMPLE_SIZE = 1000
buckets = 100
fig = plt.figure()
matplotlib.rcParams.update({"font.size": 7})
#第一個(gè)圖形是在[0,1)之間分布的隨機(jī)變量（normal distributed random variable）。
ax = fig.add_subplot(5,2,1)
ax.set_xlabel("random.random")
res = [random.random() for _ in xrange(1, SAMPLE_SIZE)]
ax.hist(res, buckets)
#第二個(gè)圖形是一個(gè)均勻分布的隨機(jī)變量（uniformly distributed random variable）。
ax_2 = fig.add_subplot(5,2,2)
ax_2.set_xlabel("random.uniform")
a = 1
b = SAMPLE_SIZE
res_2 = [random.uniform(a, b) for _ in xrange(1, SAMPLE_SIZE)]
ax_2.hist(res_2, buckets)
#第三個(gè)圖形是一個(gè)三角形分布（triangular distribution）。
ax_3 = fig.add_subplot(5,2,3)
ax_3.set_xlabel("random.triangular")
low = 1
high = SAMPLE_SIZE
res_3 = [random.uniform(low, high) for _ in xrange(1, SAMPLE_SIZE)]
ax_3.hist(res_3, buckets)
#第四個(gè)圖形是一個(gè)beta分布（beta distribution）。參數(shù)的條件是alpha 和 beta 都要大于0， 返回值在0~1之間。
plt.subplot(5,2,4)
plt.xlabel("random.betavariate")
alpha = 1
beta = 10
res_4 = [random.betavariate(alpha, beta) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_4, buckets)
#第五個(gè)圖形是一個(gè)指數(shù)分布（exponential distribution）。 lambd 的值是 1.0 除以期望的中值，是一個(gè)不為零的數(shù)（參數(shù)應(yīng)該叫做lambda沒(méi)但它是python的一個(gè)保留字）。如果lambd是整數(shù)，返回值的范圍是零到正無(wú)窮大；如果lambd為負(fù)，返回值的范圍是負(fù)無(wú)窮大到零。
plt.subplot(5,2,5)
plt.xlabel("random.expovariate")
lambd = 1.0/ ((SAMPLE_SIZE + 1) / 2.)
res_5 = [random.expovariate(lambd) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_5, buckets)
#第六個(gè)圖形是gamma分布（gamma distribution）， 要求參數(shù)alpha 和beta都大于零。
plt.subplot(5,2,6)
plt.xlabel("random.gammavariate")
alpha = 1
beta = 10
res_6 = [random.gammavariate(alpha, beta) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_6, buckets)
#第七個(gè)圖形是對(duì)數(shù)正態(tài)分布（Log normal distribution）。如果取這個(gè)分布的自然對(duì)數(shù)，會(huì)得到一個(gè)中值為mu，標(biāo)準(zhǔn)差為sigma的正態(tài)分布。mu可以取任何值，sigma必須大于零。
plt.subplot(5,2,7)
plt.xlabel("random.lognormalvariate")
mu = 1
sigma = 0.5
res_7 = [random.lognormvariate(mu, sigma) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_7, buckets)
#第八個(gè)圖形是正態(tài)分布（normal distribution）。
plt.subplot(5,2,8)
plt.xlabel("random.normalvariate")
mu = 1
sigma = 0.5
res_8 = [random.normalvariate(mu, sigma) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_8, buckets)
 
#最后一個(gè)圖形是帕累托分布（Pareto distribution）， alpha 是形狀參數(shù)。
plt.subplot(5,2,9)
plt.xlabel("random.normalvariate")
alpha = 1
res_9 = [random.paretovariate(alpha) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_9, buckets)
plt.show()