Python: Datenverteilung mit Histogrammen ermitteln

Name: Python: Datenverteilung mit Histogrammen ermitteln
Author: Brian Higgins

Stellen Sie eine Datenverteilung mit Histogrammen dar.

Preview the first lesson free — get full access to all 3 lessons.

Kurs: On-Demand

Hallo, mein Name ist Brian Higgins und. In diesen Lektionen erfahren Sie, wie. Um die Verteilung von Daten mithilfe von Histogrammen zu ermitteln. Wir generieren Zufallsdaten, um sie als Histogramm darzustellen. Anschließend fügen wir unseren Histogrammen Styling-Optionen hinzu. Und dann erstellen wir Unterdiagramme für ein Histogramm. In dieser Lektion generieren wir Zufallsdaten, um sie als Diagramm darzustellen Histogramm. Zuerst fragen Sie sich vielleicht: Was ist ein Histogramm? Ein Histogramm ist ein Diagramm mit Rechtecken. Zeigt die Häufigkeitsverteilung einer Reihe von kontinuierliche Daten in aufeinanderfolgenden numerischen Intervallen von gleichen Größe. Dies ermöglicht die Prüfung der Daten auf ihren Verteilungstyp. Also zum Beispiel statistisch gesehen eine Normalverteilung. Apropos, Sie können auch nachschauen. Ausreißer, Schiefe und andere statistische Informationen. Normalerweise wird die unabhängige Variable horizontal aufgetragen. Und die abhängige Variable wird vertikal aufgetragen. Im Gegensatz dazu unterscheidet sich ein Balkendiagramm von einem Histogramm zeigt kategoriale Daten an, wobei jeder Balken eine Kategorie darstellt. Normalerweise gibt es eine Lücke zwischen den Balken in einem Balkendiagramm im Gegensatz zum Histogramm, bei dem es keine Lücke zwischen den gibt Riegel. Beginnen wir mit der Codierung und erstellen ein Histogramm in unserem erster Codeblock. Hier importieren wir die Matplotlib-Bibliothek. Wie wir es zuvor getan haben, aber unter Verwendung der Pi-Plot-Unterbibliothek und unserer alias PLT. Darüber hinaus importieren wir für diese Übung NumPy Python Bibliothek, mit der wir eine Zufallsverteilung generieren können von Zahlen. Wir werden dieser Bibliothek den Alias NP geben. Lassen Sie uns diesen Code ausführen. Okay, wir haben diese Bibliotheken importiert. Als nächstes generieren wir eine Zufallsverteilung. Von Zahlen, die diese NumPy-Bibliothek verwenden. In diesem Beispiel generieren wir also eine. Zufällige Verteilung von 100 Zahlen. Daher weisen wir NUM den Wert 100 zu. Und wir nennen unsere NumPy-Zufallsbibliotheken Rand-Funktion. Durch die Übergabe dieser NUM, die einen Wert von 100 hat, wird ein generiert Liste. Von 100 Zahlen in einer Variablen namens x. Lassen Sie uns das ausführen. Okay, und da sehen Sie die Liste unserer Zufallszahlen, 100 Zufällig generierte Zahlen. Als nächstes visualisieren wir diese Zufallsverteilung. Zahlen mit einem Histogramm. Also rufen wir PLTs oder unsere Pi-Plots als Hist-Funktion auf und übergeben sie unsere Liste mit 100 Zahlen namens x. Und dann werden wir diese Handlung zeigen. Okay, Sie sehen also unsere Handlung. Zufällige Zahlen in dieser Abbildung hier. Und als nächstes generieren wir einen normalen Zufall Verteilung von Zahlen mithilfe der NumPy-Bibliothek. Damit legen Sie fest, wie viele Zufallszahlen Sie haben möchten generieren, wie wir es bereits getan haben. Aber für eine Normalverteilung haben die Zufallszahlen ein Mittelwert und eine Standardabweichung. Ein Mittelwert wird also der Durchschnitt sein. Zuerst weisen wir einem Wert von Null einen Mittelwert zu, einen Standard Abweichung auf einen Wert von eins, und wir werden 100 davon generieren Zahlen. Auch hier nennen wir die Zufallsbibliothek von NumPy. Dieses Mal verwenden wir die normale Funktion. Und geben Sie unseren Mittelwert, unsere Standardabweichung und 100 ein Werte, die in unserer NUM-Variablen generiert werden sollen. Und das wird unserer x-Liste zugeordnet. Und dann drucken wir unsere Zahlenliste aus. Hier ist also noch einmal unsere Liste der Zahlen, die einen Mittelwert haben von Null. Sie werden also feststellen, dass die Werte geringer sind. Als und größer als Null, und das liegt daran, dass unser Mittelwert Null ist. Zeichnen wir also ein Histogramm dieser Zahlen Rufen Sie erneut die Hist-Funktion unserer PLT-Bibliotheken auf und übergeben Sie sie Unsere Liste heißt x. Okay, wenn Sie also in der Handlung, die dort generiert wurde, bemerken, unsere Zahlen. Haben einen Mittelwert um Null. Sie werden also feststellen, dass der höchste Balken dort nahe Null liegt. Zuletzt erstellen wir eine bimodale Verteilung. Eine bimodale Zahlenverteilung hat zwei Mittelwerte. Wir erstellen also zwei Listen mit Zufallszahlen wo jede Liste. Hat seinen eigenen Mittelwert und wir werden verketten. Fügen Sie sie zusammen und zeichnen Sie dann diese Liste auf. Jede Liste enthält also 400 Nummern. Wir werden die Variable mu zuweisen, was das bedeutet. Das mittlere Sigma ist die Standardabweichung für. Die erste Liste ist zehn und 40. Die zweite Liste enthält den Mittelwert Mu zwei und die Standardabweichung Sigma zwei werden 105 sein. Und dann werden wir generieren. Zwei zufällige Listen normalverteilter Zahlen mit dem Variablen, die wir zugewiesen haben. Unsere erste Liste ist also x eins. Das ergibt einen Mittelwert von zehn. Unsere zweite Liste ist x zwei mit einem Mittelwert von 100. Also generieren wir diese x-eins- und x-zwei-Listen. Und was wir dann tun werden, ist die Verkettungsfunktion von NumPy aufzurufen und wir übergeben die erste Liste und fügen die zweite Liste x hinzu zwei bis x eins. Und wir erstellen eine neue Liste mit dem Namen x. Und dann werden wir erneut mit der hist-Funktion zeichnen Diese Liste enthält zwei Mittel. Und wieder handelt es sich um eine bimodale Verteilung. Und wir werden einen Blick darauf werfen und sehen, dass es zwei Mittel gibt aus unserer Handlung ersichtlich. Also noch einmal, die erste Liste hatte eine. Durchschnittlich etwa zehn. Sie werden dies als erste Spitze in den Balken sehen. Und dann ist die letzte Spitze die Liste der Zahlen um 100 herum. Hier werden also zwei Mittel dargestellt. Vielen Dank fürs Zuschauen und bleiben Sie dran für unsere nächste Lektion Wir werden unserem Histogramm einige Styling-Optionen hinzufügen.

Mittelstufe Anbieter : Brian Higgins 3 Lektionen · 20m auf Arabisch, Deutsch, Englisch, Spanisch, Französisch, Portugiesisch, Chinese

Kursbeschreibung

In diesen Lektionen werden Sie die Numpy-Bibliothek verwenden, um eine zufällige Normalverteilung zu erzeugen und mit einem Histogramm zu visualisieren. Wir gehen auf die Angabe des Mittelwerts, der Standardabweichung und der Anzahl der Zufallswerte ein, um eindeutige Daten für die Unterscheidung zwischen Diagrammen zu erzeugen. Sie lernen, wie Sie die Pyplot-Unterbibliothek der Matplotlib-Bibliothek verwenden, um Histogramme zu erstellen und Unterdiagramme zu erzeugen, und wir zeigen Ihnen, wie Sie einem Histogramm Beschriftungen, Titel, ein Raster und eine Legende hinzufügen können.

Sie werden auch lernen, wie man mehrere Histogramm-Subplots auf demselben Diagramm erzeugt, einschließlich der Positionierung mehrerer Histogramme auf einem Plot mit Zeilen und Spalten und der individuellen Färbung jedes einzelnen. Schließlich lernen Sie, wie Sie die Scipy-Bibliothek verwenden, um die Kernel-Dichte-Schätzung (kde) über einem Histogramm zu erzeugen.

Was Sie lernen werden

Generieren Sie Zufallsdaten der Normalverteilung mit der Numpy-Bibliothek durch Angabe des Mittelwerts, der Standardabweichung und der Anzahl der Zufallswerte
Erstellen Sie Histogramme mit der Pyplot-Unterbibliothek von Matplotlib
Gestalten Sie Histogramme durch Hinzufügen von Labels, Titeln, einem Gitter und einer Legende
Generieren und positionieren Sie mehrere Histogram-Subplots auf demselben Diagramm mithilfe von Zeilen und Spalten und färben Sie jeweils einzeln
Fügen Sie eine Kernel-Dichte-Schätzungslinie (kde) über einem Histogram mit der Scipy-Bibliothek hinzu

Wichtige Erkenntnisse

Die Numpy-Bibliothek wird verwendet, um Zufallsdaten der Normalverteilung zu generieren, indem der Mittelwert, die Standardabweichung und die Anzahl der Zufallswerte angegeben werden.
Die Angabe verschiedener Parameter generiert einzigartige Daten, die helfen, zwischen Diagrammen zu unterscheiden.
Die Pyplot-Unterbibliothek von Matplotlib wird verwendet, um Histogramme zu erstellen und Subplots zu generieren.
Mehrere Histogram-Subplots können auf demselben Diagramm mit Zeilen und Spalten positioniert werden, wobei jeweils einzeln gefärbt ist.
Die Scipy-Bibliothek generiert die Kernel-Dichte-Schätzungslinie (kde) als bestes Anpassungsdiagramm über einem Histogram.

Häufig gestellte Fragen

Welche Bibliotheken verwendet dieser Kurs?

Der Kurs verwendet die Numpy-Bibliothek zur Generierung von Zufallsdaten, die Pyplot-Unterbibliothek von Matplotlib zum Erstellen von Histogrammen und Subplots sowie die Scipy-Bibliothek zur Generierung der Kernel-Dichte-Schätzungslinie (kde).

Was werde ich über die Gestaltung von Histogrammen lernen?

Sie werden lernen, wie Sie Gestaltelemente zu einem Histogram hinzufügen, wie Labels, Titel, ein Gitter und eine Legende.

Behandelt dieser Kurs das Zeichnen mehrerer Histogramme zusammen?

Ja. Sie werden lernen, mehrere Histogram-Subplots auf demselben Diagramm zu generieren, einschließlich wie Sie mehrere Histogramme mit Zeilen und Spalten positionieren und jedes einzeln färben.

Welche Lektionen sind in diesem Kurs enthalten?

Die Lektionen sind: Generierung von Zufallsdaten und erstes Histogram; Histogram-Optionen; und Hinzufügen einer Best-Fit-Linie: Subplot nach Gruppe.

Welche Fähigkeiten hilft mir dieser Kurs zu entwickeln?

Dieser Kurs entwickelt Fähigkeiten in Computational Statistics, Datenvisualisierung, Histogrammen, numerischer Verteilung, Wahrscheinlichkeitsverteilung und statistischen Grafiken.