Автор оригинала: Pankaj Kumar.
Эй, читатели! В этой статье мы будем сосредоточиться на 5 вариантов распространения данных Numpy , в деталях.
Итак, давайте начнем !! 🙂.
Обзор Numpy Data – Быстрый обзор
Распределение данных является очень важной концепцией, когда речь идет о науке и анализа данных. Да, для анализа данных очень важно, чтобы эффективно понять поведение значений данных.
То есть нам нужно понимать распределение и сегрегацию данных по ограничению или его границам. При этом он позволяет нам понимать частоту значений данных, а также список значений данных с точки зрения диапазонов или пределов для распределения.
С контекстом этой темы мы будем сосредоточены на следующих распределениях данных, предлагаемых Numpy Module для элемента данных Numpy Array
- Распределение zipf
- Распределение Парето
- Рэлея Распределение
- Экспоненциальное распределение
- Случайное распределение с выбором () функцией
1. Случайное распределение
Со случайным распределением мы можем иметь комбинацию рандомизированных значений данных, которые следуют определенной тенденции значений плотности вероятности. В Numpy мы можем достичь одинакового использования функции Choice ().
С помощью функции выбора () мы можем определить случайные числа с точки зрения распределения на основе значений вероятности.
Синтаксис-
random.choice(array, p, size)
- Массив: Значения данных на основе которых устанавливается распределение данных. Количество элементов массива должно быть равно количеству элементов, представленных P Отказ
- P: Он представляет собой значение вероятности каждого элемента, произошедшего в распределении данных. Сумма всех ценностей в P должен быть равен 1 Отказ
- Размер: размеры массива.
Пример:
from numpy import random info = random.choice([2,4,6,8], p=[0.1, 0.3, 0.2, 0.4], size=(2,1)) print(info)
Выход:
[[8] [4]]
2. Рэлея Распределение
Распределение Rayleigh позволяет нам отображать значения данных против распределения на основе плотности вероятности в обработке сигналов. Он использует стандартное отклонение, чтобы данные распределились по пределу диапазона элементов.
Синтаксис-
random.rayleigh(scale,size)
- Шкала: плоскостность распределения данных определяется стандартными значениями отклонения, предусмотренные под масштаб параметр.
- Размер: размеры массива
Пример:
from numpy import random info = random.rayleigh(scale=1.5, size=(2, 2)) print(info)
Выход:
[[0.706009 2.83950694] [1.79522459 1.42889097]]
3. Экспоненциальное распределение
С экспоненциальным распределением мы можем исследовать и оценить временные рамки или кронштейн периода до появления следующего события в целом. Это позволяет нам определить скорость возникновения какого-либо конкретного элемента относительно значений вероятности.
Синтаксис-
random.exponential(scale, size)
- масштаб: он представляет собой обратное значение для возникновения любого элемента в распределении данных.
- Размер: размеры массива.
Пример:
from numpy import random info = random.exponential(scale=1.5, size=(2, 2)) print(info)
Выход:
[[0.21999314 3.49214755] [1.45176936 2.92176755]]
4. Распределение Парето
Распределение Парето говорит: «Только 20 процентов факторов способствуют 80 процентам результатов для мероприятия». Принимая во внимание то же самое, у нас есть распределение Pareto, которое вдохновляет из приведенного выше заявления и использует функцию Pareto () для доставки распределений по рандомизированным функциям данных.
Синтаксис-
random.pareto(a,size)
- A: Форма распределения
- Размер: размеры массива
Пример:
from numpy import random info = random.pareto(a=1.5, size=(2, 2)) print(info)
Выход:
[[ 2.4042859 10.06819341] [ 0.97075808 0.63631779]]
5. Распределение Zipf
Законодательство Zipf гласит, что «Наиболее распространенное значение ZT 1/Z – максимально распространенное значение из диапазона значений».
На основе вышеуказанной теории Numpy предоставляет нам функцию zipf (), чтобы навязать распределение данных Zipf в массиве.
Синтаксис-
random.zipf(a,size)
- A: Параметр для распределения
- Размер: размеры массива
Пример:
from numpy import random info = random.zipf(a=1.5, size=(2, 2)) print(info)
Выход:
[[ 1 1] [ 2 29]]
Заключение
По этому, мы подошли к концу этой темы. Не стесняйтесь комментировать ниже, если вы столкнетесь с любым вопросом.
Для получения дополнительных таких постов, связанных с Python Programming и его модулями, оставаться настроенными нами. До этого, счастливого обучения !! 🙂.