2.13生成可控的随机数据集合 生成九个分布的直方图

import random
import matplotlib
import matplotlib.pyplot as plt

size=1000
bucket=100
plt.figure()
matplotlib.rcParams.update({‘font.size‘: 7})

plt.subplot(621)
plt.xlabel("random.random")
res = [random.random() for _a in xrange(1,size)]
plt.hist(res,bucket)

plt.subplot(622)
plt.xlabel("random.uniform")
a=1
b=size
res= [random.uniform(a,b) for _a in xrange(1,size)]
plt.hist(res,bucket)

plt.subplot(623)
plt.xlabel("random.triangular")
low=1
high = size
res = [random.triangular(low,high) for _A in xrange(1, size)]
plt.hist(res,bucket)

plt.subplot(624)
plt.xlabel("random.betavariate")
alpha =1
beta =10
res=[random.betavariate(alpha,beta) for _a in xrange(1,size)]
plt.hist(res,bucket)

plt.subplot(625)
plt.xlabel("random.expovariate")
lambd = 1.0/((size+1)/2)
res=[random.expovariate(lambd) for _a in xrange(1,size)]
plt.hist(res,bucket)

plt.subplot(626)
plt.xlabel("random.gammavariate")
alpha=1
beta=10
res=[random.gammavariate(alpha,beta) for _a in xrange(1,size)]
plt.hist(res,bucket)

plt.subplot(627)
plt.xlabel("random.lognorvariate")
mu=1
sigma=0.5
res=[random.lognormvariate(mu,sigma) for _a in xrange(1,size)]
plt.hist(res,bucket)

plt.subplot(628)
plt.xlabel("random.normalvariate")
mu=1
sigma=0.5
res=[random.normalvariate(mu,sigma) for _a in xrange(1,size)]
plt.hist(res,bucket)

plt.subplot(629)
plt.xlabel("random.paretovariate")
alpha=1

res=[random.paretovariate(alpha) for _a in xrange(1,size)]
plt.hist(res,bucket)

plt.tight_layout()
plt.show()
时间： 2024-11-05 23:27:20

2.13生成可控的随机数据集合 生成九个分布的直方图的相关文章

2.13生成可控的随机数据集合 通过正态分布 模拟虚拟价格增长数据

模拟色子 import pylab import random duration= 100 mean_inc= 0.2 std_dev_inc= 1.2 x=range(duration) y=[] pricetoday = 0 for i in x: next_data = random.normalvariate(mean_inc, std_dev_inc) pricetoday += next_data y.append(pricetoday) pylab.plot(x, y) pylab

2.13生成可控的随机数据集合 模拟色子

import pylab import random SIZE = 10000 random.seed() real_rand_vars = [] real_rand_vars = [random.randint(1,7) for val in xrange(SIZE)] pylab.hist(real_rand_vars, 10) pylab.xlabel("dashed") pylab.ylabel("Count") pylab.show() #

python 数据可视化 -- 生成可控的随机数据集合

import matplotlib.pyplot as plt import numpy as np SAMPLE_SIZE = 100 np.random.seed() real_rand_vars = [np.random.random() for _ in range(SAMPLE_SIZE)] plt.figure() plt.hist(real_rand_vars, rwidth=0.9, color='blue') plt.xlabel('Number range') plt.yla

随机数据的生成

import numpy as np # (1)random(d0,d1,....dn)用来生成d0*d1*....*dn维的数组.数组的值在[0,1)之间 np.random.rand(3,2,2)#生成一个3*2*2的数组 array([[[0.10141273, 0.97087629], [0.57045156, 0.62780166]], [[0.15425975, 0.21828791], [0.03630166, 0.60174227]], [[0.20345412, 0.51719

JAVA生成字母和随机数字并生成文件

package com.ishow.control.code; import java.io.*; import java.text.SimpleDateFormat; import java.util.Random; /** * @author Lee * @version 创建时间:Oct 9, 2015 4:12:25 PM */ public class CreateCodeController{ /** * 生成兑换码 * @return * @throws IOException *

Python一个可以生成随机数据的库

发现一个十分有用的库 faker,作用竟是可以生成各种各样的随机数据 新版本要使用 pip install fake-factory 而不能直接 pip install fake git:https://github.com/joke2k/faker文档:http://fake-factory.readthedocs.io/en/master/index.html 文档十分清楚, 用法就是这样的了, #-*- coding:utf-8 -*- from faker import Factory

机器学习算法的随机数据生成

在学习机器学习算法的过程中,我们经常需要数据来验证算法,调试参数.但是找到一组十分合适某种特定算法类型的数据样本却不那么容易.还好numpy, scikit-learn都提供了随机数据生成的功能,我们可以自己生成适合某一种模型的数据,用随机数据来做清洗,归一化,转换,然后选择模型与算法做拟合和预测.下面对scikit-learn和numpy生成数据样本的方法做一个总结. 1. numpy随机数据生成API numpy比较适合用来生产一些简单的抽样数据.API都在random类中,常见的API有:

d3 使用随机数据生成条形图

var dataset = d3.range(25).map(function(){ return d3.round(d3.random.normal(15,8)(),1); }) // 返回 [27.2, 12.9, 12.2, 6.8, 9.4, 7.1, 17.5, 30, 16.6, 24.3, 19, 16.6, 5.8, 6.1, 5, 32.3, 6.4, 17.5, 5.1, 19, 15.5, 22.4, 30.4, 6.2, 15.8] d3.range(25)  生成25个

mock的命名用一(生成随机数据)

Mock.Random 是一个工具类,用于生成各种随机数据. Mock.Random 的方法在数据模板中称为『占位符』,书写格式为 @占位符(参数 [, 参数]) . var Random = Mock.Random Random.email() // => "[email protected]" Mock.mock('@email') // => "[email protected]" Mock.mock( { email: '@email' } )