文章目录
-
2.1.利用np.random.normal函数生成二维数据
-
2.2.利用for循环生成100*100数据
-
5.1.利用np.random.normal函数生成二维数据
-
5.2.利用for循环生成100*100数据
一、前言
最近需要大量的正态分布的数据，为了方便，使用python实现随机正态分布，画出理想正态分布图和实际的矩形分布，并导出到表格里面。
二、使用步骤
1.引入库
下面是编写代码所用到的库
import numpy as np #随机数
import matplotlib.pyplot as plt #画图
import xlwt #导出表格
2.随机正态分布生成算法
生成的数据是100*100，且使用了两种生成正态分布的算法。
result = np.random.randint(0, 100, size=100) # 最小值,最大值,数量
result = np.random.normal(60, 20, (row,cols)) # 均值,标准差,数量
可以看到，两种算法当中，基于均值和标准差得到的数据更接近正态分布，接下来以第二种做演示。
2.1.利用np.random.normal函数生成二维数据
# 根据均值、标准差,求指定范围的正态分布概率值
def normfun(x, mu, sigma):
pdf = np.exp(-((x - mu)**2)/(2*sigma**2)) / (sigma * np.sqrt(2*np.pi))
return pdf
row = 100 #行
cols = 100 #列
#随机生成，整体正态分布
# result = np.random.randint(0, 100, size=100) # 最小值,最大值,数量
result = np.random.normal(60, 20, (row,cols)) # 均值,标准差,数量
#print(result)
生成的数据
2.2.利用for循环生成100*100数据
# 根据均值、标准差,求指定范围的正态分布概率值
def normfun(x, mu, sigma):
pdf = np.exp(-((x - mu)**2)/(2*sigma**2)) / (sigma * np.sqrt(2*np.pi))
return pdf
row = 100 #行
cols = 84 #列
result_arr = [[0 for i in range(cols)] for j in range(row)]
#随机生成，行正态分布
for i in range(0,row):
# result = np.random.randint(0, 100, size=100) # 最小值,最大值,数量
result = np.random.normal(100, 50, cols) # 均值,标准差,数量
x = 0
for j in result:
result_arr[i][x] = round(j) #取整
x = x+1
for i in range(0,row):
print(result_arr[i])
对数据做了取整，生成的部分数据
3.生成分布图
可以修改bins个数
#正态分布图
x = np.arange(min(result), max(result), 1) #步长为1
# 设定 y 轴，载入刚才的正态分布函数
print("均值：",result.mean(), "标准差：",result.std()) #均值、标准差
y = normfun(x, result.mean(), result.std())
plt.plot(x, y) # 这里画出理论的正态分布概率曲线
# 这里画出实际的参数概率与取值关系
plt.hist(result, bins=100, rwidth=0.9, density=True) # bins个柱状图,宽度是rwidth(0~1),=1没有缝隙
plt.title('distribution')
plt.xlabel('temperature')
plt.ylabel('probability')
plt.show() # 最后图片的概率和不为1是因为正态分布是从负无穷到正无穷,这里指截取了数据最小值到最大值的分布
-
可以修改柱状图个数，个数=100，bins=10生成的图示：
4. 导出到表格
不同的算法对应不同的导出格式
#导出为表格
workbook = xlwt.Workbook(encoding="utf-8") # 创建workbook对象
worksheet = workbook.add_sheet('sheet1') # 创建工作表
for i in range(0,row):
for j in range(0,cols):
worksheet.write(i, j, result_arr[i][j])
workbook.save('test.xls')
生成的部分数据
5. 完整算法
虽然采取了不同的算法，但总体思路是一样的，但是会有一些细节上的改动，下面将利用函数自身生成的数据算法与利用for循环算法生成的数据结果一并展示。
5.1.利用np.random.normal函数生成二维数据
import numpy as np
import matplotlib.pyplot as plt
import xlwt
# 根据均值、标准差,求指定范围的正态分布概率值
def normfun(x, mu, sigma):
pdf = np.exp(-((x - mu)**2)/(2*sigma**2)) / (sigma * np.sqrt(2*np.pi))
return pdf
row = 100 #行
cols = 100 #列
#随机生成，整体正态分布
#result = np.random.randint(0, 100, size=1000) # 最小值,最大值,数量
result = np.random.normal(60, 20, (row,cols)) # 均值,标准差,数量
print(result)
#导出为表格
workbook = xlwt.Workbook(encoding="utf-8") # 创建workbook对象
worksheet = workbook.add_sheet('sheet1') # 创建工作表
for i in range(0,row):
for j in range(0,cols):
worksheet.write(i, j, round(result[i][j]))
workbook.save('test_3.xls')
#正态分布图
result = result[2]
x = np.arange(min(result), max(result), 1) #步长为1
# 设定 y 轴，载入刚才的正态分布函数
print("均值：",result.mean(), "标准差：",result.std()) #均值、标准差
y = normfun(x, result.mean(), result.std())
plt.plot(x, y) # 这里画出理论的正态分布概率曲线
# 这里画出实际的参数概率与取值关系
plt.hist(result, bins=100, rwidth=0.9, density=True) # bins个柱状图,宽度是rwidth(0~1),=1没有缝隙
plt.title('distribution')
plt.xlabel('temperature')
plt.ylabel('probability')
plt.show() # 最后图片的概率和不为1是因为正态分布是从负无穷到正无穷,这里指截取了数据最小值到最大值的分布
5.2.利用for循环生成100*100数据
import numpy as np
import matplotlib.pyplot as plt
import xlwt
# 根据均值、标准差,求指定范围的正态分布概率值
def normfun(x, mu, sigma):
pdf = np.exp(-((x - mu)**2)/(2*sigma**2)) / (sigma * np.sqrt(2*np.pi))
return pdf
row = 100 #行
cols = 100 #列
result_arr = [[0 for i in range(cols)] for j in range(row)]
#随机生成，行正态分布
for i in range(0,row):
# result = np.random.randint(0, 100, size=100) # 最小值,最大值,数量
result = np.random.normal(60, 20, cols) # 均值,标准差,数量
#print(result)
x = 0
for j in result:
result_arr[i][x] = round(j)
x = x+1
for i in range(0,row):
print(result_arr[i])
#导出为表格
workbook = xlwt.Workbook(encoding="utf-8") # 创建workbook对象
worksheet = workbook.add_sheet('sheet1') # 创建工作表
for i in range(0,row):
for j in range(0,cols):
worksheet.write(i, j, result_arr[i][j])
workbook.save('test_2.xls')
x = np.arange(min(result), max(result), 1) #步长为1
# 设定 y 轴，载入刚才的正态分布函数
print(result.mean(), result.std()) #均值、标准差
y = normfun(x, result.mean(), result.std())
plt.plot(x, y) # 这里画出理论的正态分布概率曲线
# 这里画出实际的参数概率与取值关系
plt.hist(result, bins=100, rwidth=0.9, density=True) # bins个柱状图,宽度是rwidth(0~1),=1没有缝隙
plt.title('distribution')
plt.xlabel('temperature')
plt.ylabel('probability')
plt.show() # 最后图片的概率和不为1是因为正态分布是从负无穷到正无穷,这里指截取了数据最小值到最大值的分布
总结
以上就是今天要讲的内容，本文仅仅简单介绍了使用python随机生成正态分布的数据，画图，并导出。正态分布是机器学习中很常见的一种需求，往往需要大量的数据进行测试，此时，本文的方法就可以大大减少因数据而花费的时间啦！
如有问题，欢迎评论区留言啊！
