Автор оригинала: Team Python Pool.
Numpy Случайная однородная функция, объясненная в Python
Привет гики и добро пожаловать в этой статье мы рассмотрим NumPy random uniform(). Наряду с этим, для общего лучшего понимания, мы также рассмотрим его синтаксис и параметр. Затем мы увидим применение всей теоретической части на нескольких примерах.
Как мы знаем, NumPy-это очень обширный и мощный модуль python. Он предоставляет нам несколько функций, одной из которых является NumPy random uniform(). Эта функция помогает нам, получая случайные выборки из равномерного распределения данных. Затем он возвращает случайные выборки в виде массива NumPy. По мере дальнейшего продвижения в этой статье мы будем развивать лучшее понимание этой функции. Далее мы рассмотрим синтаксис, связанный с ним.
Общая формула для вычисления функции плотности вероятности однородной функции выглядит следующим образом:/(b-a)]
СИНТАКСИС NUMPY RANDOM UNIFORM()
Это общий синтаксис нашей функции. В следующем разделе мы рассмотрим различные параметры, связанные с ним.
ПАРАМЕТРЫ NUMPY RANDOM UNIFORM()
1.ВЫСОКИЙ: ПОПЛАВОК ИЛИ МАССИВ, ПОДОБНЫЙ ПОПЛАВКАМ
Этот параметр представляет собой верхний предел выходного интервала. По умолчанию он установлен на 1.
2.НИЗКИЙ УРОВЕНЬ:ПОПЛАВОК ИЛИ МАССИВ, ПОДОБНЫЙ ПОПЛАВКАМ
Этот параметр представляет собой нижнюю границу входного интервала. По умолчанию он установлен в 0.
3.РАЗМЕР: INT ИЛИ КОРТЕЖИ INT
Это необязательный параметр, который определяет выходную форму. По умолчанию он равен нулю.
Тип возврата
OUT: NDARRAY ИЛИ СКАЛЯРНЫЙ
На выходе функция возвращает выборку из параметризованного равномерного распределения.
Пример Объяснения Numpy Случайной Однородной Функции n Python
Поскольку мы закончили со всей теоретической частью, связанной с NumPy random uniform (), в этом разделе мы рассмотрим, как работает эта функция и как она помогает нам достичь желаемого результата. Мы начнем с примера элементарного уровня и постепенно перейдем к более сложным примерам.
import numpy as ppool print(ppool.random.uniform(3,0))
0.9813783419439916
В приведенном выше примере сначала мы импортировали модуль NumPy. После чего мы использовали наш синтаксис вместе с оператором print, чтобы получить желаемый результат. Здесь мы рассмотрели очень простой пример, не требующий особых сложностей. Я надеюсь, что этот пример помог вам реализовать синтаксис. А также общая структура программы.
Теперь давайте рассмотрим более продвинутый пример , который поможет нам лучше понять.
# import numpy import numpy as ppool import matplotlib.pyplot as plt .random.uniform(-1, 1, 1000) plt.hist(pp,,) plt.show()
#вывод
Выше мы можем увидеть еще один пример нашей функции. Вместо того чтобы просто вычислить значение, как в 1-м случае, мы построили его график. Для этого мы использовали еще одну мощную библиотеку python, которая называется href="https://en.wikipedia.org/wiki/Matplotlib">Matplotlib. Сначала мы импортировали библиотеку numpy, а затем Matplotlib. Затем мы использовали нашу функцию с ее синтаксисом для достижения желаемого результата. После этого в игру вступает библиотека Matplot. Мы использовали это, чтобы нарисовать или распечатать гистограмму, используя данные из нашей предопределенной функции. href="https://en.wikipedia.org/wiki/Matplotlib">Matplotlib. Сначала мы импортировали библиотеку numpy, а затем Matplotlib. Затем мы использовали нашу функцию с ее синтаксисом для достижения желаемого результата. После этого в игру вступает библиотека Matplot. Мы использовали это, чтобы нарисовать или распечатать гистограмму, используя данные из нашей предопределенной функции.
Эта функция может быть немного трудной для понимания. Поэтому я советую вам практиковать от всего сердца, потому что только тогда вы сможете достичь желаемого результата.
Обязательно Прочтите
- Использование функции Numpy Random для создания случайных данных
- Введение в Python для разработки Android.
- Python Shuffle List | Перетасовать колоду карт
- Разработка игр Rock Paper Scissors на Python
ЗАКЛЮЧЕНИЕ
В этой статье мы рассмотрели NumPy random uniform(). Кроме того, мы также рассмотрели его синтаксис и параметры. Для лучшего понимания мы рассмотрели несколько примеров. Мы варьировали синтаксис и рассматривали выходные данные для каждого случая. В конце концов, мы можем сделать вывод, что эта функция помогает нам, рисуя образцы из равномерного распределения.
Надеюсь, эта статья смогла развеять все сомнения. Но если у вас есть какие-либо нерешенные вопросы, не стесняйтесь писать их ниже в разделе комментариев.