Scipy losowe generatory liczb

Kiedy piszesz kod w języku Python, często spotykasz różne biblioteki. Te biblioteki Python ułatwiają życie programistom życie. Korzystając z tych bibliotek, programiści mogą łatwo zarządzać złożonymi praktycznymi problemami i optymalizować długie linie kodu za pomocą jednej funkcji. Scipy jest jedną z tych niesamowitych bibliotek Python, która pomaga programistom z problemami statystycznymi i naukowymi. W tym artykule omówimy funkcję generatora liczb losowych w bibliotece Scipy. Ponieważ SCIPY jest jedną z najczęściej używanych bibliotek Python do problemów naukowych i matematycznych, będziemy szczegółowo omówić jego funkcję generatora liczb losowych.

Jaka jest liczba losowa?

Liczba losowa jest wytwarzana losowo, a nie poprzez logiczną prognozę. To jak po prostu wybierać dowolną liczbę z serii bez żadnej logiki. Liczbę można powtórzyć, ponieważ liczba losowa nie oznacza unikalnej liczby. Generatory liczb losowych w programie Python wykonują tę samą logikę, aby wygenerować liczbę losową. Funkcja może wybrać dowolną liczbę z określonej serii bez tworzenia żadnej logiki, a liczbę można powtórzyć kilka razy. To jest jak gra Ludo, w której rzucasz kości i oczekuje dowolnej liczby od 1 do 6, gdy idziemy dalej, otrzymujemy tę samą liczbę wiele razy.

Generowanie liczb losowych z biblioteką Scipy

Biblioteka Scipy w programowaniu Python oferuje unikalny interfejs dla różnych uniwersalnych nierównomiernych generatorów liczb losowych. Obiekt Randint biblioteki Scipy dziedziczy zbiór ogólnych metod z biblioteki i wykonuje różne funkcje losowego rozkładu. Tutaj wyjaśnimy, w jaki sposób możesz wykonywać losową dystrybucję za pomocą metody generatora liczb losowych SCIPY.

Przykład 1:

Zbadajmy pierwszy przykład i dowiedzmy się, jak korzystać z generatora liczb losowych biblioteki Scipy w naszym programie. W poniższym fragmencie kodu można znaleźć kilka wierszy kodu, które wykreślą wykres i pokazuje losowość w rozkład.

importować Numpy jako NP
od Scipy.Statystyki importują Randint
importować matplotlib.Pyplot as Plt
f, g = plt.wątki (1, 1)
start, end = 6, 20
x = np.Arange (Randint.ppf (0, start, koniec),
Randint.PPF (1, start, koniec))
G.fabuła (x, randint.pmf (x, start, end), „bo”, MS = 10)
G.vlines (x, 0, randint.PMF (x, start, koniec))
RV = randint (start, koniec)
G.vlines (x, 0, rv.PMF (x))
plt.pokazywać()

Program rozpoczął się od importu biblioteki Numpy jako NP. Potem scipy.Pakiet statystyk jest zawarty w programie, aby zaimportować funkcję Randint. Aby wykreślić wykres, matplotlib.Pakiet Pyplot jest zawarty jako PLT w programie. Teraz, gdy mamy wszystkie niezbędne biblioteki do użycia, zademonstrujmy generator scipy losowe liczby, możemy zacząć pisać program główny.

Zadeklarowane są dwie zmienne, aby zdefiniować punkty początkowe i końcowe zakresu generatora liczb losowych. Gdy to będziemy. W przypadku osi X zadeklarowaliśmy NP.Arange (Randint.ppf (0, start, koniec), randint.PPF (1, start, koniec)). Teraz ten x jest przekazywany do funkcji PTOT (), aby narysować wykres. Aby narysować linie wyniku generatora liczb losowych, użyliśmy g.vlines (x, 0, randint.PMF (x, start, koniec)). Do generowania wartości losowej użyliśmy RV = Randint (Start, End). Zakres początkowy i końcowy podano na początku, 6 i 20, więc liczba zostanie wygenerowana między 6 a 20.

Jeśli zauważyłeś, że zastosowaliśmy metody PMF i PPF, musisz teraz zastanawiać się, czym one są. Funkcja Randint działa z różnymi metodami, i.mi., PMF, RVS, logsf, ppf, entropia, średnia, przedział, mediana, std, oczekiwanie itp. W tym programie używamy metod PPF i PMF do zademonstrowania funkcji Randint w bibliotece Scipy. PPF oznacza funkcję punktu procentowego i służy do znalezienia percentyli. PMF oznacza funkcję masy prawdopodobieństwa i jest używany do obliczenia prawdopodobieństwa.

Teraz spójrz na poniższe wyjście, aby zrozumieć wiersze kodu podane powyżej. Gdy zobaczysz wynik, możesz łatwo zinterpretować każdą wiersz kodu na wykresie. Zobacz wynik podany na zrzucie ekranu poniżej:

Przykład 2:

Ponieważ wiemy już, że można użyć wielu metod z funkcją Randint, zbadajmy jeszcze jedną z nich. Wcześniej zastosowaliśmy metodę PMF z PPF, w tym przykładzie zademonstrujemy działanie CDF za pomocą metody PPF.

importować Numpy jako NP
od Scipy.Statystyki importują Randint
importować matplotlib.Pyplot as Plt
f, g = plt.wątki (1, 1)
start, end = 6, 20
x = np.Arange (Randint.ppf (0, start, koniec),
Randint.PPF (1, start, koniec))
G.fabuła (x, randint.cdf (x, start, end), „bo”, MS = 10)
G.vlines (x, 0, randint.cdf (x, start, end))
RV = randint (start, koniec)
G.vlines (x, 0, rv.CDF (x))
plt.pokazywać()

Kod, jak można zauważyć, jest podobny do tego, co zastosowaliśmy w poprzednim przykładzie. Dane, punkt początkowy i końcowy, zakres, metody wykreślenia, wszystko jest takie samo. Właśnie zastąpiliśmy funkcję PMF metodą CDF. Zostało to wykorzystane do pokazania pracy różnych metod. CDF oznacza łączną funkcję rozkładu i służy do obliczenia rozkładu skumulowanego. Dane nie zostały zmienione, aby zobaczyć różnicę w wyniku metod PMF i CDF. Zobacz dane wyjściowe metody CDF Randint poniżej:

Przykład 3:

Inną metodą, którą można zastosować z Randint, jest logpmf. Tak więc w tym programie zademonstrujemy działanie logpmf. Reszta programu jest taka sama, jedyną modyfikacją jest to, że funkcja CDF jest zastąpiona logpmf.

importować Numpy jako NP
od Scipy.Statystyki importują Randint
importować matplotlib.Pyplot as Plt
f, g = plt.wątki (1, 1)
start, end = 6, 20
x = np.Arange (Randint.ppf (0, start, koniec),
Randint.PPF (1, start, koniec))
G.fabuła (x, randint.logpmf (x, start, end), „bo”, MS = 10)
G.vlines (x, 0, randint.logpmf (x, start, end))
RV = randint (start, koniec)
G.vlines (x, 0, rv.logpmf (x))
plt.pokazywać()

Logpmf oznacza dziennik funkcji masy prawdopodobieństwa. Jest podobny do funkcji PMF, ale przyjmuje dziennik PMF. Wyjaśniliśmy funkcję PMF w pierwszym przykładzie, więc możesz porównać dane wyjściowe obu programów, aby zobaczyć różnicę. Zobacz dane wyjściowe na zrzucie ekranu poniżej:

Wniosek

Ten artykuł został zaprojektowany w celu omówienia generatora liczb losowych Scipy. Dowiedzieliśmy się, że biblioteka Scipy ma pakiet statystyk, który zapewnia funkcję Randint, którą można zastosować z różnymi metodami LikF PPF, PMF, CDF, Mean, Logpmf, Mediana itp. Zbadaliśmy kilka prostych i przydatnych przykładów, aby dowiedzieć się, jak wykonywać losowe generowanie liczb za pomocą biblioteki scipy Python. Te proste przykłady są bardzo pomocne w zrozumieniu, jak działa funkcja Randint dla losowej generowania liczb.