4.7 示例：随机漫步

最新推荐文章于 2022-05-29 15:17:02 发布
最新推荐文章于 2022-05-29 15:17:02 发布
阅读量460 收藏 1
点赞数
分类专栏： 《利用Python进行数据分析》笔记 文章标签： python numpy 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41736060/article/details/107531016
版权
  • 使用python内建的random模块实现一个1000步的随机漫步 
import random
import matplotlib.pyplot as plt

position = 0
walk = [position]
steps = 1000
for i in range(steps):
    step = 1 if random.randint(0,1) else -1     #randint(0,1)取0或1，step取1或-1
    position += step
    walk.append(position)
    
plt.plot(walk[:100])

  •  使用np.random模块一次性抽取1000次掷硬币的结果，每次投掷的结果为1或-1，然后计累计值
nsteps = 1000
draws = np.random.randint(0,2,size=nsteps)     #（0，2，size=nsteps）取（0，1）
steps = np.where(draws > 0,1,-1)
walk = steps.cumsum()
walk.min()
-22
walk.max()
5 

 np.abs(walk)>=10给我们一个布尔值数组，用于表明漫步是否连续在同一方向走了十步

boo = np.abs(walk)>=10
boo
array([False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False,  True, False,  True, False, False, False, False,
       False,  True,  True,  True,  True,  True,  True,  True, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False,  True, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False,  True,  True,
        True, False,  True,  True,  True,  True,  True,  True,  True,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False,  True, False,  True,  True,
        True, False,  True,  True,  True, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False, False, False,  True, False,  True, False,
        True, False,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True, False,  True, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False,  True,  True,  True, False,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True, False,
       False, False, False, False, False, False, False, False, False,
       False, False, False,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True,  True,  True,  True,  True,  True,  True,  True,  True,
        True, False, False, False, False, False, False, False, False,
       False, False, False, False, False, False, False, False, False,
       False])

argmax计算第一次走了10步或-10步的位置，返回布尔值数组中最大值的第一个位置

(np.abs(walk) >= 10).argmax()
137
  • 一次性模仿多次随机漫步 
nwalks =  5000
nsteps = 1000
draws = np.random.randint(0,2,size=(nwalks,nsteps))
steps = np.where(draws>0,1,-1)
walks = steps.cumsum(1)
walks
array([[ -1,  -2,  -1, ..., -10, -11, -10],
       [  1,   2,   3, ...,  -4,  -5,  -4],
       [  1,   0,  -1, ..., -30, -29, -28],
       ...,
       [  1,   0,  -1, ...,   4,   3,   2],
       [  1,   0,  -1, ...,   2,   1,   0],
       [ -1,  -2,  -3, ...,  30,  31,  32]], dtype=int32)

 

walks.max()
121
walks.min()
-154

 判断5000组里面有达到过30的

hits30 = (np.abs(walks) >= 30).any(1)
hits30
array([ True, False,  True, ...,  True, False,  True])

达到30或-30的有多少组

hits30.sum()
3382

在这3382组中，第一次出现True的那一组的平均值

crossing_times = (np.abs(walks[hits30]) >= 30).argmax(1)
crossing_times.mean()
500.5464222353637

 

菜鸟学数据分析
关注
专栏目录
《利用Python进行数据分析》学习笔记 第4章 NumPy基础：数组和矢量计算
jasonzhang0105的博客
04-23 456
第4章 NumPy基础：数组和矢量计算 NumPy(Numerical Python的简称)是Python数值计算最重要的基础包。大多数提供科学计算的包都是用NumPy的数组作为构建基础。 NumPy的部分功能如下： ndarray，一个具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组。 用于对整组数据进行快速运算的标准数学函数（无需编写循环）。 用于读写磁盘数据的工具以及用于操...
第4章 NumPy基础：数组和矢量计算
weixin_46127755的博客
04-08 1276
NumPy（Numerical Python的简称）是Python数值计算最重要的基础包。⼤多数提供科学计算的包都是⽤NumPy的数组作为构建基础。 NumPy的部分功能如下： ndarray，⼀个具有矢量算术运算和复杂⼴播能力的快速且节省空间的多维数组。 ⽤于对整组数据进⾏快速运算的标准数学函数（⽆需编写循环）。 ⽤于读写磁盘数据的⼯具以及⽤于操作内存映射文件的⼯具。 线性代数、随机数⽣成以及傅⾥叶变换功能。 ⽤于集成由C、C++、Fortran等语⾔编写的代码的A C API。 4.1 NumPy的
“随机漫步”(Rand Walk)模拟演示系统
01-02
有一类问题总称为“随机漫步”(Random Walk)问题，这类问题长久以来吸引着数学界的兴趣。所有这些问题即使是最简单的解决起来也是极其困难的。而且它们在很大程度上还远没有得到解决。一个这样的问题可以描述为： 在矩形的房间里，铺有n×m块瓷砖，现将一只（醉酒的）蟑螂放在地板中间一个指定方格里。蟑螂随机地从一块瓷砖“漫步”到另一块瓷砖（可能是在找一片阿司匹林）。假设它可能从其所在的瓷砖移动到其周围八块瓷砖中的任何一个（除非碰到墙壁），那么它把每一块瓷砖都至少接触一次将花费多长时间？ 虽然这个问题可能很难用纯粹的概率技术来解决，但是使用计算机的话却十分容易。使用计算机解决此问题的技术称为“模拟”。这种技术广泛应用于工业中，用来预测运输流量，存货控制等等。 现在，利用所学的C语言程序设计和数据结构基础知识，建立一个“随机漫步”(Random Walk)模拟演示系统，并将得到的模拟结果(模拟产生的数据)保存，以供研究使用。
随机漫步范例-----python
洪源的博客
10-08 1万+
简单随机漫步 通过随机漫步范例说明如何运用数组运算，下面是一个简单的例子，从位置0开始，步长-方向为1且出现概率相等。 >>> import random >>> position = 0 >>> walk = [position] >>> steps = 1000 >>> for i in x
随机漫步
房东的jian的博客
02-07 121
from random import choice import matplotlib.pyplot as plt class RandomWalk(): '''生成一个随机漫步数据的类''' def __init__(self,num_points=5000): '''初始化随机漫步的属性''' self.points=num_points ...
项目2：数据可视化（二）随机漫步
Lafiteee的博客
04-09 248
from random import choice class RandomWalk(): """一个生成随机漫步数据的类""" def __init__(self, num_points = 50000): """初始化随机漫步的属性""" self.num_points = num_points # ...
数据可视化（随机漫步）
zZZxiaozhi的博客
09-05 683
综合应用随机数样本生成及统计分析 需求分析 ①数据从0开始，每次步长为1或者-1，随机漫步100次，统计每次累计的步数； ②统计本次随机漫步的累计步数的最大值和最小值； ③设置临界值为5，分析出第一次到达临界值(正负5均可)的步数 扩展需求 使用matplotlib绘制折线图，对数据进行可视化显示 技术分析 ①使用normal生成标准的正态(高斯)分布的样本值； ②使用np.where实现数据转...
NumPy（Numerical Python） 全解
王冠hurt的博客
03-19 2469
NumPy（Numerical Python的简称）是Python数值计算最重要的基础包。大多数提供科学计算的包都是用NumPy的数组作为构建基础。NumPy的部分功能如下：ndarray，一个具有矢量算术运算和复杂广播能力的快速且节省空间的多维数组。用于对整组数据进行快速运算的标准数学函数（无需编写循环）。用于读写磁盘数据的工具以及用于操作内存映射文件的工具。线性代数、随机数生成以及傅里叶变换功...
Numpy、pandas基础（数据分析）
qq_42433311的博客
03-07 2172
第4章.Numpy基础：数组与向量化计算 对于大多的数据分析应用，本书作者主要关注的内容为： ·在数据处理、清洗、构造子集、过滤、变换以及其他计算中进行快速的向量化计算。 ·常见的数组算法，如sort、unique以及set操作等。 ·高效的描述性统计和聚合/概述数据。 ·数据排列和相关数据操作，例如对异构数据进行merge和join。 ·使用数组表达式来表明条件逻辑，代替if-elif-else条件分支的循环。 ...
Random Walks: A Review of Algorithms and Applications2020翻译
weixin_45562632的博客
05-08 803
Random Walks: A Review of Algorithms and Applications2020翻译 在翻译的时候公式太多，公式部分有些乱码。如果需要可以看看本文的文字，感兴趣的话直接去看原文公式。 摘要: 随机漫步被称为随机过程，它描述了数学空间中包含一系列随机步骤的路径。它在数学和计算机科学等各个学科中越来越受欢迎。再者，在量子力学中，量子游动可以看作经典随机游动的量子类似物。经典随机漫步和量子漫步可用于计算节点之间的邻近度和提取网络中的拓扑。各种随机游走相关模型可以应用于不同的领域，
时间序列分析
08-16
时间序列分析，运用时序模型预测和控制现象的未来行为
数据分析学习笔记（六）-- 随机漫步
热门推荐
LOLITA0164的博客
04-24 2万+
该例子通过模拟一些随机数，完成简单的数理统计工作，作为后期数据分析的一次体验 随机漫步：随机产生1或-1随机数，模仿一个人前进或者后退 在此环境下，进行一些统计工作 随机漫步 首页做一些准备工作 import numpy as np # 导入随机数库 # 漫步次数 num = 1000 产生所需要的一些随机数 # 产生n次漫...
利用Python进行数据分析笔记（随机漫步）
Triumph19的博客
07-23 730
首先，让我们考虑一个简单的随机漫步，从0开始，步进为1和-1，且两种步进发生的概率相等。 以下是使用内建random模块利用纯Python实现的一个1000步的随机漫步： 以下结果是在jupyter中实现的； import random import matplotlib.pyplot as plt position = 0 walk = [position] steps = 1000 for i in range(steps): step = 1 if random.randint(0,1) .
python之随机漫步数据
qq_66595073的博客
05-29 250
首先我们创造一个名为RandomWalk的类，它需要三个属性 一是储存随机漫步次数的变量，其他俩个是储存漫经过的x和y 我们使用的是choice（）来选择 这里我们默认 的点数为5000，足够生成一个奇妙的图形 每次漫步从（0，0）出发 from random import choice class RandomWalk(): """随机生成漫步数据的类""" def __init__(self, num_points=5000): """初始化随机漫步的属
数据分析练习Ⅰ----随机漫步
nonpricklycactus的博客
12-03 617
随机漫步（Random walk)，也称随机游走，是一种数学统计模型，它由一连串轨迹所组成，其中每一次都是随机的，它能用来表示不规则的变动形式，如同一个人乱步所形成的随机记录。气体或液体中分子活动的轨迹等也可作为随机漫步的模型。这个概念在1905年由卡尔·皮尔逊首次提出，目前已在许多领域中得到应用，如生态学、经济学、心理学、计算科学，物理学、化学和生物学等。 ...
Python随机漫步
qq_43499389的博客
05-29 475
随机漫步 随机漫步，顾名思义，每一步都是随机的，假设有一个点，下一步往哪里走，往上？往下？往左还是右？走多远？这些都没有明确的表示，完全是随机的，最后走到哪里，是由一系列随机决策决定的。这就是随机漫步。 那么使用python怎么样模拟随机漫步呢 首先我们需要创建一个类，这个类需要具备三个属性，1.随机漫步多少次？2，随机漫步每一个点的x坐标？3.y坐标？ 如下我们创建一个随机漫步类，默认随机漫步5000次，设置起始坐标为(0,0) class RandomWalk(): def __init__(s
4.7 随机漫步
weixin_39012401的博客
02-10 267
import random import matplotlib.pyplot as plt position = 0 walk = [position] steps = 1000 for i in range(steps): step = 1 if random.randint(0, 1) else -1 position += step walk.append(posi...
第三课--随机漫步
阅读之后，对你有帮助，那就点个赞再走吧
08-27 417
''' 随机漫步 ''' import matplotlib.pyplot as plt from random import choice class RandomWail(): ''' 生成一个随机漫步的数据 ''' def __init__(self,num_points=50000): self.num_points = num_poin...
numpy.random
l_ll888的博客
07-03 273
numpy.random.rand() 创建一个给定形状的数组，并从 均匀分布 中随机抽取样本填充它 np.random.rand(3,2) array([[0.54887862, 0.62125514], [0.62492682, 0.50809533], [0.85793152, 0.00734253]]) numpy.random.randn() 从“标准...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值