Python : Déterminer la distribution des données avec des histogrammes

Name: Python : Déterminer la distribution des données avec des histogrammes
Author: Brian Higgins

Tracez une distribution de données avec des histogrammes.

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

Cours : à la demande

Bonjour, je m'appelle Brian Higgins, et. Dans ces leçons, vous apprendrez comment. Pour trouver la distribution des données à l’aide d’histogrammes. Nous générerons des données aléatoires à tracer sous forme d'histogramme. Nous ajouterons ensuite des options de style à nos histogrammes. Et puis nous créerons des sous-tracés pour un histogramme. Dans cette leçon, nous allons générer des données aléatoires à tracer sous forme de histogramme. Tout d’abord, vous pouvez demander ce qu’est un histogramme ? Un histogramme est un tracé utilisant des rectangles. Montrant la distribution de fréquence d'un ensemble de données continues dans des intervalles numériques successifs de même valeur taille. Cela permet d'inspecter les données pour leur type de distribution. Ainsi, par exemple, une distribution normale, statistiquement. En parlant, vous pouvez également rechercher. Valeurs aberrantes, asymétrie et autres informations statistiques. Habituellement, la variable indépendante est tracée horizontalement. Et la variable dépendante est tracée verticalement. En revanche, un graphique à barres différent d'un histogramme affiche des données catégorielles où chaque barre représente une catégorie. Il y a normalement un espace entre les barres dans un graphique à barres, comme contrairement à l'histogramme, où il n'y a pas d'écart entre les barres. Commençons par coder et générons un histogramme dans notre premier bloc de code. Ici, nous allons importer la bibliothèque Matplotlib. Comme nous l'avons fait auparavant, mais en utilisant la sous-bibliothèque Pi plot et notre alias PLT. De plus, pour cet exercice, nous importerons le NumPy Python bibliothèque que nous pouvons utiliser pour générer une distribution aléatoire de chiffres. Nous appellerons cette bibliothèque NP. Exécutons ce code. D'accord, nous avons donc importé ces bibliothèques. Ensuite, nous générerons une distribution aléatoire. Des nombres utilisant cette bibliothèque NumPy. Donc, dans cet exemple, nous allons générer un. Distribution aléatoire de 100 numéros. Nous allons donc attribuer à NUM la valeur 100. Et nous appellerons la fonction rand de nos bibliothèques aléatoires NumPy. Passer ce NUM, qui a une valeur de 100, générera un liste. De 100 nombres dans une variable appelée x. Exécutons cela. Ok, et là vous voyez la liste de nos nombres aléatoires, 100 nombres générés aléatoirement. Ensuite, nous visualiserons cette distribution aléatoire. Nombres avec un histogramme. Nous appellerons donc les PLT, ou notre fonction hist Pi trace et transmettrons notre liste de 100 numéros appelés x. Et puis nous montrerons ce tracé. D'accord, vous voyez donc notre intrigue. Nombres aléatoires dans cette figure ici. Et ensuite, nous allons générer un résultat aléatoire normal. distribution de nombres à l'aide de la bibliothèque NumPy. Avec cela, vous définissez combien de nombres aléatoires vous souhaitez générer, comme nous l'avons déjà fait. Mais pour une distribution normale, les nombres aléatoires auront une moyenne et un écart type. Une moyenne sera donc la moyenne. Nous allons donc d'abord attribuer une moyenne à une valeur de zéro, une norme déviation à une valeur de un, et nous en générerons 100 Nombres. Encore une fois, nous appellerons la bibliothèque aléatoire de NumPy. Cette fois, nous utiliserons la fonction normale. Et transmettez notre moyenne et notre écart type et 100 valeurs à générer dans notre variable NUM. Et cela sera attribué à notre liste x. Et puis nous imprimerons notre liste de numéros. Encore une fois, voici notre liste de nombres qui ont une valeur moyenne de zéro. Vous remarquerez donc que les valeurs sont inférieures. Supérieur et supérieur à zéro, et c'est parce que notre moyenne est nulle. Alors dessinons un histogramme de ces chiffres appelant à nouveau la fonction hist de nos bibliothèques PLT et la transmettant notre liste appelée x. D'accord, donc si vous remarquez dans l'intrigue qui y a été générée, nos chiffres. Avoir une moyenne autour de zéro. Vous remarquerez donc que la barre la plus haute est proche de zéro. Enfin, nous générerons une distribution bimodale. Une distribution bimodale de nombres a deux moyens. Nous allons donc générer deux listes de nombres aléatoires où chaque liste. A sa propre moyenne et nous allons concaténer. Ensemble, puis tracez cette liste. Ainsi, chaque liste comportera 400 numéros. Nous attribuerons la variable mu, c'est-à-dire le. Le sigma moyen est l'écart type pour le. La première liste est dix et 40. La deuxième liste est la moyenne mu deux et l'écart type sigma. deux feront 105. Et puis ce que nous ferons, c'est générer. Deux listes aléatoires de nombres normalement distribués avec le variables que nous avons assignées. Notre première liste est donc x un. Cela a une moyenne de dix. Notre deuxième liste est x deux avec une moyenne de 100. Nous allons donc générer ces listes x un et x deux. Et ce que nous ferons alors, c'est appeler la fonction concaténer de NumPy et nous passerons la première liste et ajouterons la deuxième liste x deux à x un. Et nous allons créer une nouvelle liste appelée x. Et puis nous tracerons en utilisant à nouveau la fonction hist avec cette liste qui contiendra deux moyens. Et encore une fois, il s'agit d'une distribution bimodale. Et nous allons y jeter un oeil et nous verrons que les deux moyens sont évident de notre intrigue. Encore une fois, la première liste avait un. Moyenne d’une dizaine. Vous verrez cela comme le premier pic dans les barres. Et puis le dernier pic est la liste des nombres autour de 100. Il y a donc deux moyens présentés ici. Merci d'avoir regardé et restez à l'écoute pour notre prochaine leçon où nous ajouterons quelques options de style à notre histogramme.

Intermédiaire Fournisseur : Brian Higgins 3 leçons · 20m en Arabe, Allemand, Anglais, Espagnol, Français, Portugais, Chinese

Description du cours

Dans ces leçons, vous utiliserez la bibliothèque Numpy pour générer une distribution normale aléatoire à visualiser avec un histogramme. Nous allons spécifier la moyenne, l'écart-type et le nombre de valeurs aléatoires afin de générer des données uniques pour différencier les tracés. Vous apprendrez à utiliser la sous-bibliothèque Pyplot de la bibliothèque Matplotlib pour créer des histogrammes et générer des sous-tracés, et nous vous montrerons comment ajouter un style à un histogramme comme des étiquettes, des titres, une grille et une légende.

Vous apprendrez également à générer plusieurs sous-diagrammes d'histogrammes sur le même graphique, y compris comment positionner plusieurs histogrammes sur un graphique avec des lignes et des colonnes et colorier chacun individuellement. Enfin, vous apprendrez à utiliser la bibliothèque Scipy pour générer la ligne d'estimation de la densité du noyau (kde) (tracé du meilleur ajustement) au-dessus d'un histogramme.

Ce que vous allez apprendre

Générer des données de distribution normale aléatoire à l'aide de la bibliothèque Numpy en spécifiant la moyenne, l'écart type et le nombre de valeurs aléatoires
Créer des histogrammes à l'aide de la sous-bibliothèque Pyplot de Matplotlib
Styliser les histogrammes en ajoutant des étiquettes, des titres, une grille et une légende
Générer et positionner plusieurs sous-graphiques d'histogramme sur le même graphique en utilisant des lignes et des colonnes, en les colorant individuellement
Ajouter une ligne de meilleur ajustement d'estimation par noyau (kde) au-dessus d'un histogramme à l'aide de la bibliothèque Scipy

Points clés à retenir

La bibliothèque Numpy est utilisée pour générer des données de distribution normale aléatoire en spécifiant la moyenne, l'écart type et le nombre de valeurs aléatoires.
La spécification de différents paramètres génère des données uniques qui aident à différencier les graphiques.
La sous-bibliothèque Pyplot de Matplotlib est utilisée pour créer des histogrammes et générer des sous-graphiques.
Plusieurs sous-graphiques d'histogramme peuvent être positionnés sur le même graphique en utilisant des lignes et des colonnes, chacun étant coloré individuellement.
La bibliothèque Scipy génère la ligne d'estimation de densité par noyau (kde) comme graphique de meilleur ajustement au-dessus d'un histogramme.

Foire aux questions

Quelles bibliothèques ce cours utilise-t-il ?

Le cours utilise la bibliothèque Numpy pour générer des données aléatoires, la sous-bibliothèque Pyplot de Matplotlib pour créer des histogrammes et des sous-graphiques, et la bibliothèque Scipy pour générer la ligne de meilleur ajustement d'estimation par noyau (kde).

Que vais-je apprendre sur la stylisation des histogrammes ?

Vous apprendrez comment ajouter un style à un histogramme, tel que des étiquettes, des titres, une grille et une légende.

Ce cours couvre-t-il le tracé de plusieurs histogrammes ensemble ?

Oui. Vous apprendrez à générer plusieurs sous-graphiques d'histogramme sur le même graphique, y compris comment positionner plusieurs histogrammes avec des lignes et des colonnes et colorer chacun individuellement.

Quelles leçons sont incluses dans ce cours ?

Les leçons sont : Génération de données aléatoires et premier histogramme ; Options d'histogramme ; et Ajout d'une ligne de meilleur ajustement : Sous-graphique par groupe.

Quelles compétences ce cours m'aide-t-il à développer ?

Ce cours développe des compétences en statistiques computationnelles, visualisation de données, histogrammes, distribution numérique, distribution de probabilité et graphiques statistiques.