Weak12 Matplotlib Homework

代码:

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
x = np.linspace(0,2,1000)
y = np.power(np.sin(x-2),2)*np.exp(-np.power(x,2))
plt.plot(x,y,'g-',label='$sin^2(x-2)e^-x^2$')
plt.xlabel('x label')
plt.ylabel('y label')
plt.title('Plotting a function ')
plt.legend()
plt.show()

输出：

生成一个10个带有20个观察值的变量X。生成参数向量b然后得到向量y=Xb+z，z是具有标准正态分布的向量。
现在只使用y和X解出b的估计值b’，式子是找出使得距离和最小的b‘（也就是最小二乘法），然后画出真实值b和估计值b’。

代码：

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

X = np.random.randint(0,10,(20,10))
b = np.random.randint(0,10,(10,1))
z = np.random.normal(0,1,(20,1))
y = X@b+z
#法方程求解最小二乘法 A.T * A * b = A.T * y
b_pro = np.linalg.inv(X.T@X) @ X.T @ y
plt.plot(b,'ro',label='exact value')
plt.plot(b_pro,'bx',label='approximation')
plt.legend()
plt.show()

输出：

生成一个有10000个观测值的向量z，其分布由你喜欢的特殊分布决定。使用高斯核密度估计来算出z的分布，并且画出一个有25个区间的柱状图。
代码：

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats
z = np.random.normal(0,5,10000)
'''
arr: 需要计算直方图的一维数组
bins: 直方图的柱数，可选项，默认为10
density: 是否将得到的直方图向量归一化(按比例缩短到单位长度,方向不变)。默认为0
'''
plt.hist(z,bins=25,color='b',density=1)
#核密度估计方法估计概率密度函数(PDF)随机变量的非参数方法
gkde = stats.gaussian_kde(z)
ind = np.linspace(-20,20,10000) #[-20,20]上取点
gkdeind = gkde.evaluate(ind)
plt.plot(ind,gkdeind,color='r')
plt.title('Histogram')
plt.show()

输出：