概率相关图像的绘制_正态分布_uniform

1、一维随机变量的标准正态分布图

1、代码1

from scipy.stats import multivariate_normal# 一维随机变量的标准正态分布图
x = np.linspace(0, 5, 10, endpoint=False)
y = multivariate_normal.pdf(x, mean=0, cov=1)
print(x, y)
plt.plot(x, y)
plt.show()

结果展示如下：

2、代码2
也可以使用下面的代码绘制一个均值为0，方差为1的标准正态分布的概率密度函数。

# @Time : 2020/12/8 17:04
# @Description :绘制正态分布概率密度函数
import numpy as np
import matplotlib as mpl
import math
import matplotlib.pyplot as pltmpl.rcParams['font.sans-serif'] = [u'SimHei']  # FangSong/黑体 FangSong/KaiTi
mpl.rcParams['axes.unicode_minus'] = False
# 均值和标准差
mu = 0
sigma = 1
x = np.linspace(mu - 3 * sigma, mu + 3 * sigma, 51)
y = np.exp(-(x - mu) ** 2 / (2 * sigma ** 2)) / (math.sqrt(2 * math.pi) * sigma)
print(x.shape)
print('x = \n', x)
print(y.shape)
print('y = \n', y)
plt.figure(facecolor='w')
plt.plot(x, y, 'r-', x, y, 'go', linewidth=2, markersize=8)
plt.xlabel('X', fontsize=15)
plt.ylabel('Y', fontsize=15)
plt.title(u'高斯分布函数', fontsize=18)
plt.grid(True)
plt.show()

结果展示：

2、使用中心极限定理将均匀分布转换为高斯分布

对于随机数的理解：设随机变量 X 的分布函数为F(X)，{Xi,i=1,2,⋯}，其独立同分布 F(X) ，则 {Xi,i=1,2,⋯} 的一次观察值{x1,x2,x3,⋯}，称为分布 F(X) 随机数序列，简称随机数。
1、代码

# @Time : 2020/12/4 16:28
# @Description : 均匀分布转换为高斯分布
import numpy as np
import matplotlib.pyplot as pltif __name__ == "__main__":u = np.random.uniform(0.0, 1.0, 10000)print(u)plt.hist(u, 10, facecolor='g', alpha=0.75)plt.grid(True)plt.show()# 中心极限定义，独立同分布（均匀分布）的随机变量最后会变成正态分布times = 10000for time in range(times):u += np.random.uniform(0.0, 1.0, 10000)u /= timesplt.hist(u, 80, facecolor='g', alpha=0.75)plt.grid(True)plt.show()

2、结果展示
（1）均匀分布条形图

（2）正态分布条形图

3、九点分布图

1、描述
统计数字的概率：

2、代码

# @Time : 2020/12/3 16:58
# @Description : 九点分布概率测试
import matplotlib.pyplot as plt
import numpy as np# 求阶乘的首位数字（1-9）
def first_digital(x):while x >= 10:# 只需要取整数部分即可x = int(x / 10)return xif __name__ == "__main__":n = 1frequency = np.zeros(9, dtype=int)for i in range(1, 11):n *= i# 从0开始数m = first_digital(n) - 1frequency[m] += 1# [2 2 2 1 1 1 1 0 0]print(frequency)x_axis = np.arange(1, len(frequency) + 1, 1)plt.plot(x_axis, frequency, 'r-', linewidth=2)plt.plot(x_axis, frequency, 'go', markersize=8)plt.grid(True)plt.show()

3、结果展示

4、皮尔森(pearson)相关系数

1、描述
相关系数定义如下：

使用scipy.stats.pearsonr函数可以进行计算相关系数，格式如下：

# 计算相关系数
p1 = pearsonr(X[:,0],y)

其中，输入：x为特征，y为目标变量；输出：r：相关系数 [-1，1]之间，p-value: p值。（p值越小，表示相关系数越显著，一般p值在500个样本以上时有较高的可靠性。）

2、代码

# @Time : 2020/12/6 16:35
# @Description :相关系数的理解
import numpy as np
from scipy import stats
import matplotlib as mpl
import matplotlib.pyplot as pltmpl.rcParams['axes.unicode_minus'] = False
mpl.rcParams['font.sans-serif'] = 'SimHei'def calc_pearson(x, y):"""@param x: 变量@param y: 和x同维度的变量@return: x,y之间的协方差"""std1 = np.std(x)# np.sqrt(np.mean(x**2) - np.mean(x)**2)std2 = np.std(y)# 获取第一行第二列的数据，即为cov(x,y)cov = np.cov(x, y, bias=True)[0, 1]return cov / (std1 * std2)def intro():"""@desc:求解相关系数"""N = 10x = np.random.rand(N)y = 2 * x + np.random.randn(N) * 0.1# [0.5488135  0.71518937 0.60276338 0.54488318 0.4236548  0.64589411#  0.43758721 0.891773   0.96366276 0.38344152]print(x)# [1.11203136 1.57580608 1.28163052 1.10193387 0.89169592 1.32515566#  1.02458233 1.76303018 1.95863229 0.68147346]print(y)# 系统计算： 0.9838743911427421print('系统计算：', stats.pearsonr(x, y)[0])# 手动计算： 0.9838743911427422print('手动计算：', calc_pearson(x, y))def rotate(x, y, theta=45):"""@param x: 变量@param y: 和x同维度的变量@param theta:角度@return:"""data = np.vstack((x, y))mu = np.mean(data, axis=1)mu = mu.reshape((-1, 1))# 数据减去均值，相乘一种对称的结构data -= mutheta *= (np.pi / 180)# 旋转角度的核心代码c = np.cos(theta)s = np.sin(theta)m = np.array(((c, -s), (s, c)))# 将图像向均值方向移动return m.dot(data) + mudef pearson(x, y, tip):# 定义颜色clrs = list('rgbmycrgbmycrgbmycrgbmyc')plt.figure(figsize=(10, 8), facecolor='w')for i, theta in enumerate(np.linspace(0, 90, 6)):xr, yr = rotate(x, y, theta)p = stats.pearsonr(xr, yr)[0]# print calc_pearson(xr, yr)print('旋转角度：', theta, 'Pearson相关系数：', p)str = u'相关系数：%.3f' % pplt.scatter(xr, yr, s=40, alpha=0.9, linewidths=0.5, c=clrs[i], marker='o', label=str)plt.legend(loc='upper left', shadow=True)plt.xlabel(u'X')plt.ylabel(u'Y')plt.title(u'Pearson相关系数与数据分布：%s' % tip, fontsize=18)plt.grid(b=True)plt.show()if __name__ == '__main__':np.random.seed(0)# print("-----------求解相关系数-----------")# intro()N = 1000# tip = u'一次函数关系'# x = np.random.rand(N)# y = np.zeros(N) + np.random.randn(N) * 0.001tip = u'二次函数关系'x = np.random.rand(N)y = x ** 2# tip = u'正切关系'# x = np.random.rand(N) * 1.4# y = np.tan(x)# tip = u'二次函数关系'# x = np.linspace(-1, 1, 101)# y = x ** 2pearson(x, y, tip)

3、结果展示
控制台输出：

旋转角度： 0.0 Pearson相关系数： 0.9687517746690602
旋转角度： 18.0 Pearson相关系数： 0.9505336293706568
旋转角度： 36.0 Pearson相关系数： 0.722689237000244
旋转角度： 54.0 Pearson相关系数： -0.8073637346198107
旋转角度： 72.0 Pearson相关系数： -0.9560205311634502
旋转角度： 90.0 Pearson相关系数： -0.9687517746690599

图形显示：

5、二元正态分布

1、代码

# @Time : 2020/12/6 15:17
# @Description :多维高斯分布import numpy as np
from scipy import stats
import matplotlib as mpl
import matplotlib.pyplot as plt
# from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cmmpl.rcParams['axes.unicode_minus'] = False
mpl.rcParams['font.sans-serif'] = 'SimHei'if __name__ == '__main__':x1, x2 = np.mgrid[-5:5:51j, -5:5:51j]x = np.stack((x1, x2), axis=2)plt.figure(figsize=(9, 8), facecolor='w')# 第一个为标准的高斯分布；第二个分布变矮和胖了；第三个分布在（俯视图）在y轴上变长了，方差比较大；# 第四个分布是一个斜着的椭圆（俯视图）# 方差是一个2*2的一个方阵sigma = (np.identity(2), np.diag((3, 3)), np.diag((2, 5)), np.array(((2, 1), (2, 5))))for i in np.arange(4):ax = plt.subplot(2, 2, i + 1, projection='3d')# 是一个二维的变量，因此均值是一个tuple,然后我们在此基础上讨论方差norm = stats.multivariate_normal((0, 0), sigma[i])y = norm.pdf(x)ax.plot_surface(x1, x2, y, cmap=cm.Accent, rstride=2, cstride=2, alpha=0.9, lw=0.3)ax.set_xlabel(u'X')ax.set_ylabel(u'Y')ax.set_zlabel(u'Z')plt.suptitle(u'二元高斯分布方差比较', fontsize=18)plt.tight_layout(1.5)plt.show()

2、结果展示

概率相关图像的绘制_正态分布_uniform_pearson相关推荐

python二元函数图像在线绘制_“绘图，让科学生动起来”：Python-matplotlib绘图（多元函数拟合-3D绘图专题）...
作者简介:85后一名分析化学工作者及科学爱好者,深爱着北京的老北京人,爱好运动,科学,旅行,个人微信公众号<科学是什么东东>,欢迎关注! 搭建python-matplotlib绘图平台的四 ...
通过pyqt5绘制标准正态分布图像并实时显示_20200427_
通过pyqt5绘制标准正态分布图像并实时显示 1.首先通过QTdesigner绘制显示界面窗口,生成window_show_picture.ui(如附件资源所示),再转化为文件. window_sho ...
Python三维图像的绘制以及相关图例添加（3D图像 - 图例）
数据处理此部分自行完成,预先准备好需要的数据即可. 本例子实现的是:要在4*4的格子里面的3个格子里分别绘制3条不同颜色的图形. (为了更加直观,绘图相关的程序不使用循环) // example h ...
python鼠标画点连线_使用Matplotlib在Python中使用鼠标在图像上绘制点
我试图用鼠标在图像上绘制点. 问题是:图像出现了,但是当我点击鼠标时,什么也没有绘制出来(即使我点击了几次).在我的Python版本是python2.7,带有Anaconda和IPython控制台. ...
机器学习基础知识之概率论的Matlab描述概率的图像（一）
机器学习基础知识之概率论的Matlab描述概率的图像(一) (由于有很多的分布,而且还有一维分布以及多维分布,因此,我们一篇博文写下来的话内容量太大,文章太长,因此,我们分三次写完所有的基本的一维以及 ...
R语言使用rnorm函数生成正太分布数据、使用plot函数可视化折线图、使用arrows函数在可视化图像中绘制箭头曲线、绘制带箭头线段，可以设置箭头角度，有几个箭头（1起点箭头、2终点箭头，3双箭头）
R语言使用rnorm函数生成正太分布数据.使用plot函数可视化折线图.使用arrows函数在可视化图像中绘制箭头曲线.绘制带箭头线段,可以设置箭头角度,有几个箭头(1起点箭头.2终点箭头,3双箭头) ...
【OpenCV 4开发详解】图像直方图绘制
本文首发于"小白学视觉"微信公众号,欢迎关注公众号本文作者为小白,版权归人民邮电出版社发行所有,禁止转载,侵权必究! 经过几个月的努力,小白终于完成了市面上第一本OpenCV 4 ...
【OpenCV 4开发详解】图像上绘制几何图形
本文首发于"小白学视觉"微信公众号,欢迎关注公众号本文作者为小白,版权归人民邮电出版社发行所有,禁止转载,侵权必究! 经过几个月的努力,小白终于完成了市面上第一本OpenCV 4 ...
R可视化绘制对数正态分布（Log Normal Distribution）
R可视化绘制对数正态分布(Log Normal Distribution) 为了绘制R中对数正态分布的概率密度函数,我们可以使用以下函数: dlnorm(x, meanlog = 0, sdlog = ...

概率相关图像的绘制_正态分布_uniform_pearson