python如何生成各種隨機分布圖

更新時間：2018年08月27日 11:31:56 作者：llh_1178

這篇文章主要為大家詳細介紹了python如何生成各種隨機分布圖，具有一定的參考價值，感興趣的小伙伴們可以參考一下

在學習生活中，我們經(jīng)常性的發(fā)現(xiàn)有很多事物背后都有某種規(guī)律，而且，這種規(guī)律可能符合某種隨機分布，比如：正態(tài)分布、對數(shù)正態(tài)分布、beta分布等等。

所以，了解某種分布對一些事物有更加深入的理解并能清楚的闡釋事物的規(guī)律性?，F(xiàn)在，用python產(chǎn)生一組隨機數(shù)據(jù)，來演示這些分布：

import random
import matplotlib
import matplotlib.pyplot as plt
SAMPLE_SIZE = 1000
buckets = 100
fig = plt.figure()
matplotlib.rcParams.update({"font.size": 7})
#第一個圖形是在[0,1)之間分布的隨機變量（normal distributed random variable）。
ax = fig.add_subplot(5,2,1)
ax.set_xlabel("random.random")
res = [random.random() for _ in xrange(1, SAMPLE_SIZE)]
ax.hist(res, buckets)
#第二個圖形是一個均勻分布的隨機變量（uniformly distributed random variable）。
ax_2 = fig.add_subplot(5,2,2)
ax_2.set_xlabel("random.uniform")
a = 1
b = SAMPLE_SIZE
res_2 = [random.uniform(a, b) for _ in xrange(1, SAMPLE_SIZE)]
ax_2.hist(res_2, buckets)
#第三個圖形是一個三角形分布（triangular distribution）。
ax_3 = fig.add_subplot(5,2,3)
ax_3.set_xlabel("random.triangular")
low = 1
high = SAMPLE_SIZE
res_3 = [random.uniform(low, high) for _ in xrange(1, SAMPLE_SIZE)]
ax_3.hist(res_3, buckets)
#第四個圖形是一個beta分布（beta distribution）。參數(shù)的條件是alpha 和 beta 都要大于0， 返回值在0~1之間。
plt.subplot(5,2,4)
plt.xlabel("random.betavariate")
alpha = 1
beta = 10
res_4 = [random.betavariate(alpha, beta) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_4, buckets)
#第五個圖形是一個指數(shù)分布（exponential distribution）。 lambd 的值是 1.0 除以期望的中值，是一個不為零的數(shù)（參數(shù)應該叫做lambda沒但它是python的一個保留字）。如果lambd是整數(shù)，返回值的范圍是零到正無窮大；如果lambd為負，返回值的范圍是負無窮大到零。
plt.subplot(5,2,5)
plt.xlabel("random.expovariate")
lambd = 1.0/ ((SAMPLE_SIZE + 1) / 2.)
res_5 = [random.expovariate(lambd) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_5, buckets)
#第六個圖形是gamma分布（gamma distribution）， 要求參數(shù)alpha 和beta都大于零。
plt.subplot(5,2,6)
plt.xlabel("random.gammavariate")
alpha = 1
beta = 10
res_6 = [random.gammavariate(alpha, beta) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_6, buckets)
#第七個圖形是對數(shù)正態(tài)分布（Log normal distribution）。如果取這個分布的自然對數(shù)，會得到一個中值為mu，標準差為sigma的正態(tài)分布。mu可以取任何值，sigma必須大于零。
plt.subplot(5,2,7)
plt.xlabel("random.lognormalvariate")
mu = 1
sigma = 0.5
res_7 = [random.lognormvariate(mu, sigma) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_7, buckets)
#第八個圖形是正態(tài)分布（normal distribution）。
plt.subplot(5,2,8)
plt.xlabel("random.normalvariate")
mu = 1
sigma = 0.5
res_8 = [random.normalvariate(mu, sigma) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_8, buckets)
 
#最后一個圖形是帕累托分布（Pareto distribution）， alpha 是形狀參數(shù)。
plt.subplot(5,2,9)
plt.xlabel("random.normalvariate")
alpha = 1
res_9 = [random.paretovariate(alpha) for _ in xrange(1, SAMPLE_SIZE)]
plt.hist(res_9, buckets)
plt.show()