5 вариантов распространения данных Numpy

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

1. Распределение zipf
2. Распределение Парето
3. Рэлея Распределение
4. Экспоненциальное распределение
5. 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 !! 🙂.