numpy 高斯分布_python求矩阵特征值

激活谷笔记 • 2025-04-21 15:10 • 阅读 109

在Python中，你可以使用`numpy`和`scipy`库来生成高斯分布的随机数，并使用`matplotlib`库来绘制高斯分布的曲线。以下是一个简单的示例，展示了如何生成和可视化正态分布的随机数：

 import numpy as np import matplotlib.pyplot as plt from scipy.stats import norm 生成符合正态分布的随机数 mu, sigma = 0, 1 平均值和标准差 x_data = np.linspace（mu - 3*sigma, mu + 3*sigma, 1000） 生成从平均值-3*标准差到平均值+3*标准差的1000个数据点 y_data = norm.pdf（x_data, mu, sigma） 计算这些数据点的概率密度 绘制高斯分布曲线 plt.plot（x_data, y_data, label='N（0,1）'） plt.title（'Gaussian Distribution N（0,1）'） plt.xlabel（'x'） plt.ylabel（'PDF'） plt.legend（） plt.show（）

如果你需要生成具有不同均值和标准差的高斯分布，只需在`np.linspace`函数中指定不同的`mu`和`sigma`值即可。

如果你还想生成高斯分布的随机样本，可以使用`scipy.stats.norm.rvs`函数：

 生成100个符合N（0,1）分布的随机样本 samples = norm.rvs（mu, sigma, size=100） 绘制直方图以可视化样本分布 plt.hist（samples, bins=30, density=True, alpha=0.6, color='g'） plt.title（'Histogram of Gaussian Distribution N（0,1）'） plt.xlabel（'x'） plt.ylabel（'Frequency'） plt.show（）

如果你需要拟合一个高斯分布到一组数据，可以使用`curve_fit`函数：

 from scipy.optimize import curve_fit 定义高斯函数 def gauss（x, a, u, sig）: return a * np.exp（-（x - u）2 / （2 * sig2）） 假设你有一组数据x_data和对应的概率密度y_data popt, pcov = curve_fit（gauss, x_data, y_data, p0=[1, 0, 1]） 使用拟合参数生成新的数据点 x_fit = np.linspace（min（x_data）, max（x_data）, 1000） y_fit = gauss（x_fit, *popt） 绘制拟合曲线 plt.plot（x_data, y_data, 'ro', label='Data'） plt.plot（x_fit, y_fit, 'b-', label='Fit'） plt.title（'Gaussian Fit to Data'） plt.xlabel（'x'） plt.ylabel（'PDF'） plt.legend（） plt.show（）

以上代码展示了如何使用Python进行高斯分布的生成、可视化和拟合。

numpy 高斯分布_python求矩阵特征值

相关推荐