5 Распределения данных NumPy, которые нужно знать

Автор оригинала: Pankaj Kumar.

Здравствуйте, читатели! В этой статье мы сосредоточимся на 5 распределениях данных NumPy в Python. Итак, давайте начнем!! 🙂

Начнем с того, что распределение данных позволяет нам иметь представление о распределении данных. То есть он представляет список всех возможных значений в термине диапазона данных, а также представляет частоту этих значений данных в распределении.

Модуль Python NumPy предлагает нам случайный класс, который помогает нам иметь случайно сгенерированные распределения данных для рандомизированных значений данных.

Распределение данных NumPy

Давайте работать с приведенными ниже распределениями данных NumPy.

1. Распределение Zipf
2. Распределение Парето
3. Распределение Рэлея
4. Экспоненциальное распределение
5. Случайное распределение с функцией выбора()

1. Распределение Zipf

Распределение данных Zipf NumPy основано на законе zipf, который гласит, что x-й наиболее распространенный элемент в 1/x раз превышает наиболее распространенный элемент из диапазона.

Функция Python random.zipf() позволяет реализовать распределение zipf в массиве.

Синтаксис:

random.zipf(a,size)

• a : параметр распределения
• размер : размеры результирующего массива.

Пример:

from numpy import random

data = random.zipf(a=2, size=(2, 4))

print(data)

Выход:

[[   2   24    1    1]
 [   4 1116    4    4]]

2. Распределение Парето

Это следует закону Парето, который гласит, что 20 процентов факторов способствуют и вызывают 80 процентов результатов. Функция pareto() позволяет нам реализовать распределение данных Парето по рандомизированным числам.

Взгляните на приведенный ниже синтаксис!

random.pareto(a,size)

• a : форма
• размер : размеры результирующего массива.

Пример:

from numpy import random

data = random.pareto(a=2, size=(2, 4))

print(data)

Выход:

[[2.33897169 0.40735475 0.39352079 2.68105791]
 [0.02858458 0.60243598 1.17126724 0.36481641]]

3. Распределение Рэлея

С помощью Распределения Рэлея мы можем определить и понять распределение в терминах плотности вероятности при обработке сигналов.

Взгляните на приведенный ниже синтаксис!

random.rayleigh(scale,size)

• масштаб : Это значение стандартного отклонения, которое в основном определяет плоскостность распределения данных.
• размер : Размеры выходного массива.

Пример:

from numpy import random

data = random.rayleigh(scale=2, size=(2, 4))

print(data)

Выход:

[[3.79504431 2.24471025 2.3216389  4.01435725]
 [3.1247996  1.08692756 3.03840615 2.35757077]]

4. Экспоненциальное распределение

Экспоненциальное распределение позволяет нам понять временные рамки до наступления следующего события. То есть скорость возникновения любого действия зависит от оценки вероятности. Например, фрейм успеха v/s интенсивность отказов – успех/неудача.

Синтаксис:

random.exponential(scale, size)

• масштаб : Обратное значение числа вхождений действия. По умолчанию.0
• размер : Размер выходного массива.

Пример:

from numpy import random

data = random.exponential(scale=2, size=(2, 4))

print(data)

Выход:

[[0.56948472 0.08230081 1.39297867 5.97532969]
 [1.51290257 0.95905262 4.40997749 7.25248917]]

5. Случайное распределение с функцией выбора()

Случайное распределение представляет собой набор случайных данных, которые следуют определенным признакам значений плотности вероятности. Класс random предлагает нам функцию choice () , которая позволяет нам определять случайные числа на основе набора значений вероятности.

Вероятность колеблется от 0 до 1 – 0 означает, что число никогда не возникнет, а 1 означает, что число определенно и всегда будет возникать в наборе.

Синтаксис:

random.choice(array, p, size)

• массив : элементы, среди которых должно происходить случайное распределение данных. Количество элементов массива должно быть равно количеству p.
• p : оценка вероятности появления каждого элемента массива в случайном распределении данных. Сумма всех значений p должна быть равна 1.
• размер : Размер массива 2-D/1-D.

Пример:

from numpy import random

data = random.choice([1,3,5,7], p=[0.1, 0.3, 0.2, 0.4], size=(2, 2))

print(data)

Выход:

[[7 7]
 [1 3]]

Вывод

На этом мы подошли к концу этой темы. Не стесняйтесь комментировать ниже, если у вас возникнут какие-либо вопросы.

Для получения дополнительных сообщений, связанных с программированием на Python, оставайтесь с нами.

А до тех пор Счастливого Обучения!! 🙂