python如何⽣成各种随机分布图
在学习⽣活中，我们经常性的发现有很多事物背后都有某种规律，⽽且，这种规律可能符合某种随机分布，⽐如：正态分布、对数正态分布、beta分布等等。
所以，了解某种分布对⼀些事物有更加深⼊的理解并能清楚的阐释事物的规律性。现在，⽤python产⽣⼀组随机数据，来演⽰这些分布：
import random
import matplotlib
import matplotlib.pyplot as plt
SAMPLE_SIZE = 1000
buckets = 100
fig = plt.figure()
#第⼀个图形是在[0,1)之间分布的随机变量（normal distributed random variable）。
ax = fig.add_subplot(5,2,1)
ax.set_xlabel("random.random")
res = [random.random() for _ in xrange(1, SAMPLE_SIZE)]
ax.hist(res, buckets)
#第⼆个图形是⼀个均匀分布的随机变量（uniformly distributed random variable）。
ax_2 = fig.add_subplot(5,2,2)
ax_2.set_xlabel("random.uniform")
a = 1
b = SAMPLE_SIZE
res_2 = [random.uniform(a, b) for _ in xrange(1, SAMPLE_SIZE)]
ax_2.hist(res_2, buckets)
#第三个图形是⼀个三⾓形分布（triangular distribution）。
ax_3 = fig.add_subplot(5,2,3)
ax_3.set_xlabel("iangular")
low = 1
high = SAMPLE_SIZE
res_3 = [random.uniform(low, high) for _ in xrange(1, SAMPLE_SIZE)]
ax_3.hist(res_3, buckets)
#第四个图形是⼀个beta分布（beta distribution）。参数的条件是alpha 和 beta 都要⼤于0，返回值在0~1之间。
plt.subplot(5,2,4)
plt.xlabel("random.betavariate")
alpha = 1
beta = 10
res_4 = [random.betavariate(alpha, beta) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_4, buckets)
#第五个图形是⼀个指数分布（exponential distribution）。 lambd 的值是 1.0 除以期望的中值，是⼀个不为零的数（参数应该叫做lambda没但它是python的⼀个保留字）。如果lambd是整数，返回值的范围是零到正⽆穷⼤；如果lambd为负，返回值的范围是负⽆穷plt.subplot(5,2,5)
plt.xlabel("povariate")
lambd = 1.0/ ((SAMPLE_SIZE + 1) / 2.)
res_5 = [povariate(lambd) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_5, buckets)
#第六个图形是gamma分布（gamma distribution），要求参数alpha 和beta都⼤于零。
plt.subplot(5,2,6)
plt.xlabel("random.gammavariate")
alpha = 1
beta = 10
res_6 = [random.gammavariate(alpha, beta) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_6, buckets)
#第七个图形是对数正态分布（Log normal distribution）。如果取这个分布的⾃然对数，会得到⼀个中值为mu，标准差为sigma的正态分布。mu可以取任何值，sigma必须⼤于零。
plt.subplot(5,2,7)
plt.xlabel("random.lognormalvariate")
mu = 1
sigma = 0.5
res_7 = [random.lognormvariate(mu, sigma) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_7, buckets)
#第⼋个图形是正态分布（normal distribution）。
plt.subplot(5,2,8)
plt.xlabel("alvariate")
mu = 1
sigma = 0.5
res_8 = [alvariate(mu, sigma) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_8, buckets)
#最后⼀个图形是帕累托分布（Pareto distribution）， alpha 是形状参数。
plt.subplot(5,2,9)
plt.xlabel("alvariate")
alpha = 1random python
res_9 = [random.paretovariate(alpha) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_9, buckets)
plt.show()
以上就是本⽂的全部内容，希望对⼤家的学习有所帮助，也希望⼤家多多⽀持。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。