Автор оригинала: Team Python Pool.
В модуле Numpy мы обсудили множество функций, используемых для работы с многомерным массивом. В этом уроке мы обсудим концепцию функции numpy | Random normal () , которая используется для получения случайных выборок из нормального распределения. Это встроенная функция в пакете numpy python. Функция NumPy random normal() генерирует случайные выборки из нормального распределения/гауссова распределения.
Что такое функция Numpy Random normal ()?
Функция Numpy random normal() генерирует массив заданных фигур и заполняет его случайными значениями, которые на самом деле являются частью нормального(гауссовского)распределения. Другое название этого распределения – /a bell curve из-за его формы.
Синтаксис Numpy Random normal()
numPy.random.normal(loc = 0.0, scale = 1.0, size = None)
Параметры Numpy Random normal()
- loc: Это необязательный параметр. Входные данные подобны массиву или значению с плавающей запятой. Он определяет среднее значение распределения. По умолчанию он равен 0.0.
- scale: Это необязательный параметр. Входные данные подобны массиву или значению с плавающей запятой. Он определяет стандартное отклонение или плоскостность графика распределения, которая должна понравиться. По умолчанию он равен 1.0. Это не должно быть отрицательным значением.
- размер: Это необязательный параметр. Входные данные подобны целому числу или кортежу целых чисел. Он определяет форму результирующего массива. Если размер равен Нулю. По умолчанию он равен 1.
Возвращаемое значение Numpy Random normal()
Возвращаемое значение этой функции представляет собой массив определенных фигур, заполненных случайными значениями нормального распределения/гауссова распределения.
Примеры функции numpy random normal()
Здесь мы обсудим, как мы можем написать случайную нормальную функцию() из пакета numpy python.
1. Принимая размер в качестве параметра
В этом примере мы будем импортировать библиотеку numpy. Затем мы применим функцию random.normal() с кортежем 2 и 6 в качестве параметра. Таким образом, выходные данные будут приходить в виде массива, а для tuple2 строки и столбцы будут создавать многомерный массив в качестве выходных данных. Давайте рассмотрим этот пример для более детального понимания концепции.
# importing numpy library as np import numpy as np output= np.random.normal(size = 5) print(output) out= np.random.normal(size = (2,6)) print(out)
Выход:
[-0.95488981 2.2038197 -0.50444554 0.51845053 -1.15899431] [[-0.62126192 -0.05753977 -0.26676354 -2.04002572 1.26073641 -0.03351041] [ 1.54348742 2.46762337 -0.53278498 0.35762827 -0.05746769 -0.63672764]]
Объяснение:
- Во-первых, мы будем импортировать библиотеку numpy с псевдонимом np.
- Затем мы применим функцию с параметром.
- Размер означает количество значений в массиве.
- После этого мы напечатаем вывод.
- Затем мы возьмем размер в качестве значений кортежа и напечатаем выходные данные.
- Следовательно, вы можете видеть результат обоих методов.
2. Принятие loc в качестве параметра
В этом примере мы импортируем библиотеку numpy. Затем мы применим функцию random.normal() в качестве параметра и увидим результат как среднее значение случайных значений массива. Давайте рассмотрим этот пример для более детального понимания концепции.
# importing numpy library as np import numpy as np output= np.random.normal(loc = 5) print(output)
Выход:
5.55426892339958
Объяснение:
- Во-первых, мы будем импортировать библиотеку numpy с псевдонимом np.
- Затем мы будем применять функцию с параметром.
- Loc означает среднее значение случайных величин, выбранных из функции.
- Наконец, мы напечатаем результат.
- Следовательно, вы можете видеть среднее значение как выход.
3. Принятие масштаба в качестве параметра
В этом примере мы импортируем модуль numpy. Затем мы применим функцию random.normal() с помощью.0 в качестве параметра и видеть выход как стандартное отклонение входного сигнала. Давайте рассмотрим этот пример для более детального понимания концепции.
# importing numpy library as np import numpy as np output= np.random.normal(scale = 5.0) print(output)
Выход:
-6.245600820720526
Объяснение:
- Во-первых, мы будем импортировать библиотеку numpy с псевдонимом np.
- Затем мы будем применять функцию с.0 в качестве параметра.
- шкала означает стандартное отклонение значений, выбранных из функции.
- Наконец, мы напечатаем результат.
- Следовательно, вы можете видеть стандартное отклонение в качестве выходного сигнала.
4. Принимая все три параметра в качестве параметра
В этом примере мы импортируем библиотеку numpy. Затем мы применим функцию random.normal() с.0,, и в качестве параметра. после этого мы увидим результат относительно параметров. Давайте рассмотрим этот пример для более детального понимания концепции.
# importing numpy library as np import numpy as np output= np.random.normal(scale = 5.0, loc = 2, size =6) print(output)
Выход:
[-4.4756869 5.84053972 9.57577152 -3.39868126 2.60193779 -2.81686457]
Объяснение:
- Во-первых, мы будем импортировать библиотеку numpy с псевдонимом np.
- Затем мы будем применять функцию с.0,, и в качестве параметра.
- шкала означает стандартное отклонение значений, выбранных из функции.
- Loc означает среднее значение случайных величин, выбранных из функции.
- Размер означает количество значений в массиве.
- Наконец, мы напечатаем результат.
- Следовательно, вы можете видеть выход со всеми параметрами.
Следовательно, вы можете видеть выход со всеми параметрами.
В этом примере мы импортируем библиотеку numpy и библиотеку pyplot. Затем мы применим функцию random.normal() со всеми параметрами и выведем выходные данные. После этого мы составим гистограмму с помощью библиотеки pyplot и распечатаем график. Давайте рассмотрим этот пример для более детального понимания концепции.
# import numpy library import numpy as np # import pyplot library from matplotlib import pyplot as plt output = np.random.normal( 0.0 , 1.0, size = 50 ) print(output) count, bins, ignored = plt.hist( output, 100) plt.show()
Выход:
[-2.0599869 1.86530215 -0.83282691 -0.9609226 -0.17388443 0.77542348 -0.69147226 0.26678705 -0.43186711 2.45332791 0.41294372 1.06856734 0.26322133 -1.57945561 1.15077477 1.74056801 -0.48934632 0.04633452 -0.48010091 -1.59184196 0.08802584 0.16564185 0.53415194 -0.5628642 -0.90310561 -0.4983175 -0.12221693 -1.08879417 1.31233936 -0.4831863 -0.16477098 0.36494931 -0.18429183 -0.47282319 0.65385078 -0.51189286 -0.61625412 -1.1119411 0.06379226 0.17779413 1.49812809 -0.21141802 0.79097138 1.41886803 0.86628245 -0.17059296 0.59086623 -0.70027204 1.80495114 -0.70090817]
Объяснение:
- Во-первых, мы будем импортировать библиотеку numpy с псевдонимом np.
- Затем мы импортируем pyplot как plt из библиотеки matplotlib.
- Затем мы применим функцию со всеми параметрами и напечатаем вывод.
- Значений массива так много, что его размер равен 50. таким образом, в качестве случайных выборок будет 50 значений.
- После этого мы распечатаем гистограмму с помощью модуля pyplot.
- По крайней мере, мы можем видеть нарисованный график.
- Следовательно, вы можете видеть оба выхода.
Вывод
В этом уроке мы познакомились с концепцией функции numpy random normal (). Мы обсудили определение, синтаксис, параметр и возвращаемое значение функции. Мы также объяснили все способы, с помощью которых мы можем использовать numpy random normal() с помощью примеров, подробно объясненных. Вы можете использовать любую из функций в соответствии с вашим выбором и вашими требованиями в программе.
Однако, если у вас есть какие-либо сомнения или вопросы, дайте мне знать в разделе комментариев ниже. Я постараюсь помочь вам как можно скорее.