Introduction to Python Exercises 11.Matplotlib

【问题解决】

import numpy as np
import matplotlib.pyplot as plt 
# import math

x = np.linspace(0, 2, 30)  # 创建X轴的数值，在0和2之间产生30个均匀分布的值  
# y = [math.pow(math.sin(xi - 2), 2) * math.exp(-math.pow(xi, 2)) for xi in x]
y = np.power(np.sin(x - 2), 2) * np.exp(-np.power(x, 2))

plt.plot(x, y)      # 调用plot函数，这并不会立即显示函数图像 
plt.xlabel('x')     # 使用xlabel函数添加X轴的标签 
plt.ylabel('f(x)')  # 使用ylabel函数添加y轴的标签  
plt.title('f(x) = sin^2(x-2)*e^(-x^2)') # 标题

plt.show()          # 调用show函数显示函数图像 

效果图示：

题目的意思应该是用最小二乘法求解参数b的预测值，可使用函数numpy.linalg.lstsq（具体的参数与返回值可参考网址https://docs.scipy.org/doc/numpy/reference/generated/numpy.linalg.lstsq.html#numpy.linalg.lstsq）

import matplotlib.pyplot as plt
import numpy as np

X = np.random.random((20, 10))  # 元素为[0.0, 1.0)的浮点数的20*10矩阵
b = np.random.randn(10, 1)      # 元素服从标准正态分布的向量
z = np.random.random((20, 1))   # 元素为[0.0, 1.0)的浮点数的向量
Y = np.dot(X, b) + z
b_hat = np.array(np.linalg.lstsq(X, Y, rcond = -1)[0])  # 线性回归的第一个参数

x = np.arange(0, 10)
plt.scatter(x, b, c = 'r', marker = 'x', label = '$true coefficients$')
plt.scatter(x, b_hat, c = 'b', marker = 'o', label = '$estimated coefficients$')
plt.xlabel('index')
plt.ylabel('value')
plt.legend()  
plt.show()

效果图示：

高斯核密度估计函数scipy.stats.gaussian_kde可参考网址https://github.com/scipy/scipy/blob/master/scipy/stats/kde.py

import numpy as np  
import matplotlib.pyplot as plt  
import scipy.stats  
  
# generate a vector z of 10000 observations from standard normal distribution.   
z = np.random.normal(loc = 0, scale = 5.0, size = 10000) 
  
# show a histogram of z (with 25 bins)  
plt.hist(z , bins = 25, density = True, color = 'b')  
  
# use a Gaussian kernel density estimator 
kernel = scipy.stats.gaussian_kde(z)  
# obtain the PDF (kernel is a function!)  
  
x = np.linspace(-20, 20, 10000)  
plt.plot(x, kernel(x), 'r')  
  
plt.show()  

效果图示：