1. 首页
  2. 博客
  3. NumPy 随机数据分布与 Seaborn 可视化详解

NumPy 随机数据分布与 Seaborn 可视化详解

在本教程中，我们将使用NumPy生成多种随机数据分布，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生成不同类型的随机数据分布
  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生成不同类型的随机数据分布

我们将生成以下几种常见的随机数据分布：

  • 正态分布
  • 均匀分布
  • 泊松分布
  • 二项分布

生成正态分布数据

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

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

生成均匀分布数据

# 生成1000个均匀分布的随机数，范围为[0, 1]
low, high = 0, 1  # 范围
size = 1000  # 样本量

uniform_data = np.random.uniform(low, high, size)

生成泊松分布数据

# 生成1000个泊松分布的随机数，参数lambda=5
lam = 5  # 参数
size = 1000  # 样本量

poisson_data = np.random.poisson(lam, size)

生成二项分布数据

# 生成1000个二项分布的随机数，参数为n=10, p=0.5
n, p = 10, 0.5  # 试验次数和成功概率
size = 1000  # 样本量

binomial_data = np.random.binomial(n, p, size)

3. 使用Seaborn进行可视化

接下来，我们将使用Seaborn库来对生成的不同随机分布数据进行可视化。以下是绘制直方图和核密度估计（KDE）的示例。

可视化正态分布数据

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(normal_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()

可视化均匀分布数据

fig, ax = plt.subplots()
sns.histplot(uniform_data, kde=True, ax=ax, bins=30, color='green')
ax.set(title='Uniform Distribution [0, 1]', xlabel='Value', ylabel='Frequency')
plt.show()

可视化泊松分布数据

fig, ax = plt.subplots()
sns.histplot(poisson_data, kde=True, ax=ax, bins=30, color='red')
ax.set(title='Poisson Distribution (lambda=5)', xlabel='Value', ylabel='Frequency')
plt.show()

可视化二项分布数据

fig, ax = plt.subplots()
sns.histplot(binomial_data, kde=True, ax=ax, bins=n+1, color='purple')
ax.set(title='Binomial Distribution (n=10, p=0.5)', xlabel='Value', ylabel='Frequency')
plt.show()

综合示例

以下是一个完整的Python脚本，展示了如何生成和可视化上述所有随机分布数据：

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

# 生成随机分布数据
normal_data = np.random.normal(0, 1, 1000)
uniform_data = np.random.uniform(0, 1, 1000)
poisson_data = np.random.poisson(5, 1000)
binomial_data = np.random.binomial(10, 0.5, 1000)

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

# 可视化正态分布数据
fig, ax = plt.subplots()
sns.histplot(normal_data, kde=True, ax=ax, bins=30, color='blue')
ax.set(title='Normal Distribution (mu=0, sigma=1)', xlabel='Value', ylabel='Frequency')
plt.show()

# 可视化均匀分布数据
fig, ax = plt.subplots()
sns.histplot(uniform_data, kde=True, ax=ax, bins=30, color='green')
ax.set(title='Uniform Distribution [0, 1]', xlabel='Value', ylabel='Frequency')
plt.show()

# 可视化泊松分布数据
fig, ax = plt.subplots()
sns.histplot(poisson_data, kde=True, ax=ax, bins=30, color='red')
ax.set(title='Poisson Distribution (lambda=5)', xlabel='Value', ylabel='Frequency')
plt.show()

# 可视化二项分布数据
fig, ax = plt.subplots()
sns.histplot(binomial_data, kde=True, ax=ax, bins=11, color='purple')
ax.set(title='Binomial Distribution (n=10, p=0.5)', xlabel='Value', ylabel='Frequency')
plt.show()

通过运行上述代码，你将能够生成并可视化不同类型的随机数据分布，帮助你理解和展示这些分布的特性。

原文链接：codingdict.net

热门标签