import matplotlib.pyplot as plt
from pylab import *
import numpy
from scipy.stats import gaussian_kde
#exercise 1
x = np.linspace(0, 2)
y = np.power(np.sin(x-2), 2)*np.power(np.e, -x*x)
plt.plot(x, y, label='y = f(x)')
plt.xlabel('x') #设置X轴信息
plt.ylabel('y') #设置Y轴信息
plt.title('f(x)') #设置标题
plt.legend()
plt.show() #展示画出来的图
一个简单的画函数图练习,以上代码效果如下:
这里要用到最小二乘法,实现起来也不难
由线代的知识,计算Ax=b的最小二乘问题可以通过求解ATAx=ATb得到
#exercise 2
x = np.random.randn(20, 10)*10 + 2
b = np.random.randn(10, 1) + 1
z = np.random.randn(20, 1)
y = np.matmul(x, b) + z
A = np.matmul(x.transpose(), x)
b_approximate = np.linalg.solve(A, np.matmul(x.transpose(), y)) #计算b的逼近
index = np.arange(0, 10) #产生一个数组,[0, 1, 2, ……, 9]
plt.scatter(index, b, color='green', label='green is true') #画散点图,通过color设置颜色,通过marker设置形状,通过label设置图例
plt.scatter(index, b_approximate, color='red', marker='v', label='red is approximate')
plt.xticks(index) #设置X轴刻度
plt.legend()
plt.show()
效果如下:
画直方图与密度估计曲线,这里要用到scipy.stats的gaussian_kde
代码如下:
import matplotlib.pyplot as plt
import numpy
from scipy.stats import gaussian_kde
data = np.random.normal(size=10000) #用标准正态分布生成10k个数据
print(np.shape(data))
x = np.linspace(-5, 5)
plt.hist(data, bins=25, histtype='bar', normed=1) 画直方图, normed=1:归一化
kernel = gaussian_kde(data) #拟合数据
plt.plot(x, kernel(x)) #画图
plt.xlabel('x')
plt.ylabel('y')
plt.title('Histogram and density estimation')
plt.show()
效果如下: