|
|
马上注册，结交更多好友，享用更多功能^_^
您需要 登录 才可以下载或查看，没有账号？立即注册
x
本帖最后由 不二如是 于 2020-2-22 10:49 编辑
上一讲我们优化了三维曲面图，本次来学习随机数和随机种子。
正式开始前，我们先吹吹水：为什么说量子力学是在“掷骰子”？
因为：
这么一来，强调严格因果关系的“决定论”就没有意义。
人们发现，概率深藏在宇宙的底层，上帝的确是以掷骰子的方式在维持着宇宙的运行。
看到了吗，这就是概率的魅力，我们用 NumPy 感受下！
先导入库：
然后我们随机画一些三维点：
其他的方法我们之前有讲过，就不说了。
x = np.random.random(n) 调用 random 模块中的 random 方法。
点还是有些少，我们将 n 改为 10000 并执行：
这个就刺激啦～
但是可以看到规律，都是介于 0 到 1 之间的浮点数。
意味着：
研究数学的人，喜欢用一堆公式搞得很复杂，其实就是通过 Numpy 简单画个图的操作。
除了 random 方法还是有一个 rand() 方法：
都是 0 到 1 之间的随机分布，但二者是有区别滴：
rand()，接收 2 个参数。
random()，接收 1 个元祖。
它们两个每次随机生成结果都会不一样，留给鱼油自己去测试。
但如果我们就想要某次的一组数据，除了用变量保存下来，还能怎么办呢？
可以用随机种子：
不管怎么执行，结果都不会改变。
如果改成 seed(333)，切回到 seed(3) 还是原来的值：
例如掷骰子结果就是 6 个整数，那么如何生成呢？
就要用到 randint() 方法：
随机生成 333 个，[1,7) 中的整数，1 可以取到，但 7 取不到。
我们带入空间中看看：
看到这些规规矩矩排列的离散点了嘛，所有概率都是一样滴！
数学上还有标准正态分布：
期望值 μ=0，即曲线图象对称轴为 Y 轴，标准差 σ=1 条件下的正态分布，记为 N(0，1) 。
在高中数学都有学过，就是那个类似倒 U 的曲线。
在 NumPy 中是 randn()：
这些点就不是均匀分布了，越靠近 0 点越多，两边少。
normal() 标准分布（高斯分布），就是把从 0 的位置移到其他地方：
x 是 10 即中心为 0 ，y 和 z 不变。
以上就是常用的随机函数的可视化操作。
下一讲我们来学习概率和统计。
源代码：
21Probability.zip
(498 Bytes, 下载次数: 1, 售价: 6 鱼币)
如果有收获，别忘了评分 ：
如果想看更多，请订阅 淘专辑（ 传送门）（ 不喜欢更要订阅 ） |
|
( 粤ICP备18085999号-1 | 粤公网安备 44051102000585号)
狗仔卡
发表于 2020-2-21 23:45:10
置顶卡
千斤顶
显身卡
发表于 2020-2-22 10:56:01
发表于 2020-2-24 09:17:51