numpy的randomn函数和正态分布

简介: numpy的randomn函数和正态分布

numpy的函数

numpy.random.randn(d0,d1,...,dn: int, optional)

numpy的这个函数读取参数d0到dn,如果需要指定多维的随机数数组,就使用这些参数。


参数非负数,指定2个参数  6,4 时,返回6行4列的数组。

不指定参数时默认返回一个float值。


>>> 3 + 2.5 * np.random.randn(2, 4)
    array([[-4.49401501,  4.00950034, -1.81814867,  7.29718677],   # random
           [ 0.39924804,  4.68456316,  4.99394529,  4.84057254]])  # random

这个意思不是把返回的随机数组*2.5 再加3。因为你看还有负数,肯定不是将值这样计算的,那么这是什么意思呢?


这是返回一个满足正态分布的随机数组,是不是很方便啊?


它返回的是以下正态分布:


N(\mu, \sigma^2)
Notes
    -----
    For random samples from :math:`N(\mu, \sigma^2)`, use:
    ``sigma * np.random.randn(...) + mu``

乘以方差,再加上均值。


所以上面的意思是返回一个均值=3,方差=2.5的正态分布数组。



目录
相关文章
|
11月前
|
机器学习/深度学习 数据处理 C语言
numpy通用函数:快速的逐元素数组函数
numpy通用函数:快速的逐元素数组函数
numpy通用函数:快速的逐元素数组函数
|
2月前
|
BI 测试技术 索引
Python学习笔记之NumPy模块——超详细(安装、数组创建、正态分布、索引和切片、数组的复制、维度修改、拼接、分割...)-1
Python学习笔记之NumPy模块——超详细(安装、数组创建、正态分布、索引和切片、数组的复制、维度修改、拼接、分割...)
|
2月前
|
Python
NumPy 双曲函数与集合操作详解
**NumPy 概览:** 使用 `numpy.sinh()`, `numpy.cosh()`, `numpy.tanh()` 计算双曲函数;示例包括求弧度值的双曲正弦、余弦。此外,`numpy.arcsinh()`, `numpy.arccosh()`, `numpy.arctanh()` 用于求反函数。同时,NumPy 提供集合操作如 `numpy.unique()` 构建唯一元素数组,`numpy.union1d()` 求并集,`numpy.intersect1d()` 求交集,`numpy.setdiff1d()` 求差集,`numpy.setxor1d()` 求对称差。
154 7
|
2月前
|
Python
NumPy 双曲函数与集合操作详解
NumPy 双曲函数 NumPy 提供了 sinh()、cosh() 和 tanh() 等 ufunc,它们接受弧度值并生成相应的双曲正弦、双曲余弦和双曲正切值。
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
NumPy 正态分布与 Seaborn 可视化指南
该文档介绍了正态分布(高斯分布),包括它的简介、特征、生成正态分布数据的方法(使用 NumPy 的 `random.normal()` 函数)、如何用 Seaborn 可视化正态分布,以及正态分布的应用(如统计学、机器学习、金融和工程)。还提供了一些练习,如生成特定参数的正态分布随机数并绘图,以及比较不同标准差下的分布形状。最后,给出了练习的解决方案,展示了如何执行这些任务。
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
NumPy 正态分布与 Seaborn 可视化指南
正态分布(高斯分布)是重要的概率分布,常用于描述自然和人为现象的数据。分布呈钟形,峰值在均值(μ)处,两侧对称下降。特征由均值和标准差(σ)描述,标准差影响分布的分散程度。NumPy 的 `random.normal()` 函数可生成正态分布随机数,Seaborn 库则方便绘制分布图。正态分布广泛应用于统计学、机器学习、金融和工程等领域。练习包括生成正态分布随机数并作图,以及比较不同标准差下的分布形状。
|
2月前
|
存储 API C语言
Python学习笔记之NumPy模块——超详细(安装、数组创建、正态分布、索引和切片、数组的复制、维度修改、拼接、分割...)-2
Python学习笔记之NumPy模块——超详细(安装、数组创建、正态分布、索引和切片、数组的复制、维度修改、拼接、分割...)
|
2月前
|
存储 数据处理 C语言
NumPy 通用函数(ufunc):高性能数组运算的利器
NumPy的通用函数(ufunc)提供高性能的逐元素运算,支持向量化操作和广播机制,能应用于数组的数学、逻辑和比较运算。ufunc可提高计算速度,避免低效的循环,并允许自定义函数以满足特定需求。例如,ufunc实现加法比循环更高效。通过`frompyfunc`可创建自定义ufunc。判断函数是否为ufunc,可检查其类型是否为`numpy.ufunc`。ufunc练习包括数组的平方、平方根、元素积及性能对比。
35 0
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
NumPy 正态分布与 Seaborn 可视化指南
正态分布(高斯分布)是重要的概率模型,具有钟形曲线特征,由均值μ和标准差σ描述。NumPy的`random.normal()`可生成正态分布随机数,Seaborn库方便绘制分布图。正态分布广泛应用于统计学、机器学习、金融和工程等领域。练习包括生成正态分布数据、比较不同标准差影响及模拟考试成绩计算平均分和标准分。
205 0
|
3月前
|
安全 Serverless 数据处理
通用函数(ufuncs)在NumPy中的应用实践
【4月更文挑战第17天】通用函数(ufuncs)是NumPy中非常重要的工具,它们允许对数组中的每个元素执行相同的数学运算,无需编写循环。通过ufuncs,我们可以高效地处理大规模数据集,并利用广播机制在形状不同的数组之间进行运算。掌握ufuncs的应用实践,将极大地提升我们在数值计算和数据处理方面的效率。