1. 首页
  2. 博客
  3. NumPy 正态分布与 Seaborn 可视化指南

NumPy 正态分布与 Seaborn 可视化指南

在本教程中，我们将使用NumPy生成正态分布的模拟数据，并使用Seaborn进行可视化展示。具体步骤如下：

  1. 安装必要的库
  2. 使用NumPy生成正态分布数据
  3. 使用Seaborn进行可视化

1. 安装必要的库

首先，你需要确保安装了以下Python库：NumPy和Seaborn。你可以使用以下命令来安装它们：

pip install numpy seaborn matplotlib

2. 使用NumPy生成正态分布数据

NumPy的numpy.random.normal函数可以用来生成正态分布的随机数。下面是一个生成正态分布数据的示例：

import numpy as np

# 生成1000个正态分布的随机数，均值为0，标准差为1
mu, sigma = 0, 1  # 均值和标准差
size = 1000  # 样本量

data = np.random.normal(mu, sigma, size)
print(data)

3. 使用Seaborn进行可视化

接下来，我们将使用Seaborn库来对生成的正态分布数据进行可视化。以下是一个使用Seaborn绘制直方图和核密度估计（KDE）的示例：

import seaborn as sns
import matplotlib.pyplot as plt

# 设置Seaborn的风格
sns.set(style="whitegrid")

# 创建一个图形对象和轴对象
fig, ax = plt.subplots()

# 使用Seaborn绘制直方图和KDE
sns.histplot(data, kde=True, ax=ax, bins=30, color='blue')

# 设置标题和标签
ax.set(title='Normal Distribution (mu=0, sigma=1)', xlabel='Value', ylabel='Frequency')

# 显示图形
plt.show()

在这个示例中，我们使用了seaborn.histplot函数来绘制直方图，并通过设置kde=True来同时绘制核密度估计曲线。

完整的代码如下：

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

# 生成1000个正态分布的随机数，均值为0，标准差为1
mu, sigma = 0, 1  # 均值和标准差
size = 1000  # 样本量

data = np.random.normal(mu, sigma, size)

# 设置Seaborn的风格
sns.set(style="whitegrid")

# 创建一个图形对象和轴对象
fig, ax = plt.subplots()

# 使用Seaborn绘制直方图和KDE
sns.histplot(data, kde=True, ax=ax, bins=30, color='blue')

# 设置标题和标签
ax.set(title='Normal Distribution (mu=0, sigma=1)', xlabel='Value', ylabel='Frequency')

# 显示图形
plt.show()

运行上述代码，你将会看到一个直方图和一个核密度估计曲线，直观地展示了正态分布数据的分布情况。这个图形结合了离散数据的直方图和连续数据的KDE曲线，能够提供更丰富的分布信息。

其他参数调整

你可以通过调整均值（mu）和标准差（sigma）来生成不同参数的正态分布数据。例如，生成均值为10，标准差为2的正态分布数据：

mu, sigma = 10, 2
data = np.random.normal(mu, sigma, size)

然后使用相同的Seaborn代码进行可视化：

fig, ax = plt.subplots()
sns.histplot(data, kde=True, ax=ax, bins=30, color='blue')
ax.set(title='Normal Distribution (mu=10, sigma=2)', xlabel='Value', ylabel='Frequency')
plt.show()

这样，你就可以生成和可视化不同参数的正态分布数据了。

原文链接：codingdict.net

热门标签