Scipy -Zufallszahlengeneratoren

Wenn Sie Code in der Python -Sprache schreiben, stoßen Sie häufig auf verschiedene Bibliotheken. Diese Python -Bibliotheken machen das Leben der Entwickler einfacher und einfacher. Mit diesen Bibliotheken können Entwickler komplexe praktische Probleme problemlos verwalten und lange Codezeilen mit einer Funktion optimieren. Scipy ist eine dieser unglaublichen Python -Bibliotheken, die Entwicklern mit statistischen und wissenschaftlichen Problemen hilft. In diesem Artikel werden wir die Funktion des Zufallszahlengenerators der Scipy -Bibliothek diskutieren. Da Scipy eine der am häufigsten verwendeten Python -Bibliotheken für wissenschaftliche und mathematische Probleme ist, werden wir hier im Detail über die Funktion der Zufallszahlengenerator diskutieren.

Was ist eine Zufallszahl?

Eine Zufallszahl wird zufällig und nicht durch logische Vorhersage erzeugt. Es ist, als würde man nur eine Zahl aus einer Serie auswählen, ohne eine Logik zu erstellen. Die Zahl kann wiederholt werden, da die Zufallszahl keine eindeutige Zahl bedeutet. Die Zufallszahlengeneratoren im Python -Programm folgen derselben Logik, um eine Zufallszahl zu generieren. Die Funktion kann eine beliebige Nummer aus einer bestimmten Serie auswählen und auswählen, ohne eine Logik zu erstellen, und die Nummer kann mehrmals wiederholt werden. Es ist wie ein Ludo -Spiel, bei dem Sie Würfel rollen und eine Zahl zwischen 1 und 6 erwarten. Im Laufe der Zeit erhalten wir viele Male die gleiche Zahl.

Zufällige Zahlengenerierung mit Scipy Library

Die Scipy-Bibliothek in Python-Programmierung bietet eine einzigartige Schnittstelle für eine Vielzahl von universellen ungleichmäßigen Zufallszahlengeneratoren. Das Randint -Objekt der Scipy Library erbt die Sammlung generischer Methoden aus der Bibliothek und führt verschiedene Zufallsverteilungsfunktionen aus. Hier erklären wir, wie Sie eine zufällige Verteilung mit einer scipy zufälligen Zahlengeneratormethode durchführen können.

Beispiel 1:

Lassen Sie uns das erste Beispiel untersuchen und lernen, wie Sie den Zufallszahlengenerator der Scipy -Bibliothek in unserem Programm verwenden. Im folgenden Code -Snippet finden Sie die wenigen Codezeilen, die ein Diagramm zeichnen und die Zufälligkeit in der Verteilung anzeigen.

Numph als NP importieren
von Scipy.Statistiken importieren Randint
Matplotlib importieren.Pyplot als PLT
f, g = plt.Nebenhandlungen (1, 1)
Start, Ende = 6, 20
x = np.Arange (Randint.PPF (0, Start, Ende),
Randint.PPF (1, Start, Ende))
G.Handlung (x, Randint.PMF (X, Start, Ende), 'Bo', MS = 10)
G.VLINES (x, 0, Randint.PMF (x, Start, Ende))
RV = Randint (Start, Ende)
G.VLINES (x, 0, RV.PMF (x))
PLT.zeigen()

Das Programm begann mit dem Import der Numpy Library als NP. Danach die Skipei.Das Statistikpaket ist im Programm enthalten, um die Randint -Funktion zu importieren. Um das Diagramm zu zeichnen, die Matplotlib.Das Pyplot -Paket ist im Programm als PLT enthalten. Nachdem wir alle wesentlichen Bibliotheken verwenden können, lassen Sie uns den Skipy -Zufallszahlengenerator demonstrieren, dann können wir das Hauptprogramm schreiben.

Zwei Variablen beginnen und enden werden erklärt, um die Start- und Endpunkte des Zufallszahlengeneratorbereichs zu definieren. Sobald wir das haben, können wir die Zufallszahlen auf der X-Achse und der Y-Achse zuordnen. Für die X-Achse haben wir NP erklärt.Arange (Randint.PPF (0, Start, Ende), Randint.PPF (1, Start, Ende)). Jetzt wird dieses X an die Funktion Plot () übergeben, um die Grafik zu zeichnen. Um die Zeilen des Ergebnisergebnisses des Zufallszahlengenerators zu zeichnen, haben wir G verwendet.VLINES (x, 0, Randint.PMF (x, Start, Ende)). Für die Erzeugung der zufälligen Wert haben wir RV = Randint (Start, Ende) verwendet. Der Start- und Endbereich ist zu Beginn, 6 und 20 angegeben, sodass die Zahl zwischen 6 und 20 erstellt wird.

Wenn Sie bemerkt haben, dass wir die PMF- und PPF -Methoden verwendet haben, müssen Sie sich jetzt fragen, was sie sind. Die Randint -Funktion funktioniert mit verschiedenen Methoden, ich.e., PMF, Wohnmobile, Logsf, PPF, Entropie, Mittelwert, Intervall, Median, STD, Erwartung usw. In diesem Programm verwenden wir die PPF- und PMF -Methoden, um die Randint -Funktion der Scipy -Bibliothek zu demonstrieren. Der PPF steht für die Prozentpunktfunktion und wird verwendet, um die Perzentile zu finden. Der PMF steht für die Wahrscheinlichkeitsmassenfunktion und wird verwendet, um die Wahrscheinlichkeiten zu berechnen.

Schauen Sie sich nun die folgende Ausgabe an, um die oben angegebenen Codezeilen zu verstehen. Wenn Sie das Ergebnis sehen, können Sie jede Codezeile in der Grafik leicht interpretieren. Siehe das Ergebnis im folgenden Screenshot:

Beispiel 2:

Da wir bereits wissen, dass viele Methoden mit der Randint -Funktion angewendet werden können, lassen Sie uns noch eine davon untersuchen. Zuvor haben wir die PMF -Methode mit PPF verwendet. In diesem Beispiel werden wir die Arbeit von CDF mit der PPF -Methode demonstrieren.

Numph als NP importieren
von Scipy.Statistiken importieren Randint
Matplotlib importieren.Pyplot als PLT
f, g = plt.Nebenhandlungen (1, 1)
Start, Ende = 6, 20
x = np.Arange (Randint.PPF (0, Start, Ende),
Randint.PPF (1, Start, Ende))
G.Handlung (x, Randint.CDF (X, Start, Ende), 'Bo', MS = 10)
G.VLINES (x, 0, Randint.CDF (x, Start, Ende))
RV = Randint (Start, Ende)
G.VLINES (x, 0, RV.CDF (x))
PLT.zeigen()

Der Code ähnelt, wie Sie beobachten können, dem, was wir in dem vorhergehenden Beispiel verwendet haben. Die Daten, Start- und Endpunkte, Reichweite, Plottenmethoden, alles ist gleich. Wir haben gerade die PMF -Funktion durch die CDF -Methode ersetzt. Dies wurde verwendet, um Ihnen die Arbeit der verschiedenen Methoden zu zeigen. Die CDF steht für die kumulative Verteilungsfunktion und wird verwendet, um die kumulative Verteilung zu berechnen. Die Daten wurden nicht geändert, sodass Sie den Unterschied im Ergebnis der PMF- und CDF -Methoden erkennen können. Siehe die Ausgabe der CDF -Methode von Randint unten:

Beispiel 3:

Eine andere Methode, die mit Randint verwendet werden kann, ist logpmf. In diesem Programm werden wir also die Arbeit von logpmf demonstrieren. Der Rest des Programms ist gleich. Die einzige Änderung besteht darin, dass die CDF -Funktion durch logpmf ersetzt wird.

Numph als NP importieren
von Scipy.Statistiken importieren Randint
Matplotlib importieren.Pyplot als PLT
f, g = plt.Nebenhandlungen (1, 1)
Start, Ende = 6, 20
x = np.Arange (Randint.PPF (0, Start, Ende),
Randint.PPF (1, Start, Ende))
G.Handlung (x, Randint.logpmf (x, start, enden), 'bo', ms = 10)
G.VLINES (x, 0, Randint.logpmf (x, Start, Ende))
RV = Randint (Start, Ende)
G.VLINES (x, 0, RV.logpmf (x))
PLT.zeigen()

Das logpmf steht für das Protokoll der Wahrscheinlichkeitsmassenfunktion. Es ähnelt der PMF -Funktion, nimmt jedoch das Protokoll des PMF an. Wir haben die PMF -Funktion im ersten Beispiel erklärt, sodass Sie die Ausgabe beider Programme vergleichen können, um den Unterschied zu erkennen. Siehe die Ausgabe im Screenshot unten:

Abschluss

Dieser Artikel wurde entwickelt, um den Skipy -Zufallszahlengenerator zu diskutieren. Wir haben erfahren, dass die Scipy -Bibliothek ein Statistikpaket enthält, das die Randint -Funktion bietet, die mit verschiedenen Methoden verwendet werden kann, wie PPF, PMF, CDF, Mean, Logpmf, Median usw. Wir haben einige einfache und nützliche Beispiele untersucht, um zu erfahren. Diese einfachen Beispiele sind sehr hilfreich, um zu verstehen, wie die Randint -Funktion für die Zufallszahlenerzeugung funktioniert.