numpy常用知识整理

1、numpy生成常见概率分布

二项分布

试验由一系列相同的n个试验组成，每次试验有两种可能的结果，成功或者失败；每次试验成功的概率是相同的，用p来表示；试验是相互独立的。
设x为n次试验中的成功的次数，由于随机变量的个数是有限的，所以x是一个离散型随机变量

import numpy as np
import matplotlib.pyplot as plt
n=100
p=0.7
a = np.random.binomial(n, p, size=10000)
#绘制柱状图，bins是柱数
plt.hist(a,bins=20,color='g',alpha=0.4,edgecolor='b')
plt.show()

每次进行一百次，概率是0.7所以大概70左右是最多的，剩下的依次递减（理论和图像也比较接近）

泊松分布

在任意两个相等长度的区间上，事件发生的概率相等；事件在某一区间上是否发生与事件在其他区间上是否发生所独立的。

设一个某站台平均每小时会经过8辆公共汽车

import numpy as np
import matplotlib.pyplot as plt
b = np.random.poisson(8,1000)#试验重复1000次
plt.hist(b,bins=16,color='g',alpha=0.4,edgecolor='b')
#输出坐标轴
print(plt.hist(b,bins=16,color='g',alpha=0.4,edgecolor='b'))
plt.show()

输出坐标轴的数值

通过上图可以求解各个时间段经过x辆车的概率（例如求每小时经过15辆的概率，因为进行了1000次，所以图片中x=15对应的y/1000即所求概率）

均匀分布

在任意相同长度间隔内分布概率相等的概率分布

low为下限，high为上限，size为取样数量

import numpy as np
import matplotlib.pyplot as plt
low=-1
high=1
size=100000
c=np.random.uniform(low,high,size)
#输出坐标轴
print(plt.hist(c,bins=16,color='g',alpha=0.4,edgecolor='b'))
plt.show()

在这个区间内的生成的数基本持平（size越大则越准确）

正态分布

当二项分布的样本数量足够大时，其分布曲线会变成对称的钟形，我们将这种分布形态成为正态分布

loc为期望，scale为标准差，size为取样数量，默认为Non

import numpy as np
import matplotlib.pyplot as plt
d = np.random.normal(loc=0,scale=1,size=100000)
plt.hist(d,bins=50,color='g',alpha=0.4,edgecolor='b')
plt.show()

指数分布

指数分布与泊松分布类似，泊松分布描述了每一个区间内事件发生的次数，而指数分布描述了事件发生的事件间隔长度。
设一个某站台平均每小时会经过8辆公共汽车，可以求两辆公共汽车间隔时间不超过x小时的概率

参数根据题目应该好了解～

import numpy as np
import matplotlib.pyplot as plt
e = np.random.exponential(1/8,10000)
plt.hist(e,bins=20,color='g',edgecolor='b',alpha=0.4)
plt.show()

概率求解与泊松分布类似

2、numpy生成各类随机数

import numpy as np
import matplotlib.pyplot as plt
#0-10范围内的整数，100个
a=np.random.randint(0,10,100)
print(a)
##0到1的均匀分布，40个
b=np.random.rand(40)
print(b)
##标准正态分布，10个
c=np.random.randn(10)
print(c)
#生成指定正态分布，均值0。方差1，100个
d=np.random.normal(0,1,100)
print(d)
#0到1的均匀分布，20个
e=np.random.random(20)
print(e)
#0到1的均匀分布。20个
f=np.random.ranf(20)
print(f)
#指定-1到1均匀分布，100个
g=np.random.uniform(-1,1,100)
print(g)