Python数据可视化之高斯分布

Python数据可视化之高斯分布

一维高斯分布模型

高斯分布：

N(μ,δ2)=1δ2π−−√e−(x−μ)22δ2

N(\mu,\delta^2) = \frac {1}{\delta\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\delta^2}}

Python实现

在python中，我们通过坐标变换来求得任意的高斯分布。

import numpy as np
import matplotlib.pyplot as plt

x = np.random.randn(400)

其中np.random.randn(400)生成400个符合正态分布的样本点，背后的生成模型为：

N(0,1)=12π−−√e−x22

N(0,1)=\frac {1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}} 可视化数据样本点：

y = np.zeros((400))

plt.plot(x,y,'ro')
plt.axis([-5,5,-0.1,0.2])
plt.show()

Alt text

可视化概率分布函数：

n, bins, patches = plt.hist(x, 50, normed=1, facecolor='r', alpha=0.75)
plt.axis([-5,5,0,1])
plt.show()

Alt text

当增大数据样本点时，上述样本分布近似于高斯分布：

x = np.random.randn(100000)
n, bins, patches = plt.hist(x, 50, normed=1, facecolor='r', alpha=0.75)
plt.axis([-5,5,0,1])
plt.show()

Alt text

通过坐标变化画出任意高斯分布模型，令

f(x)=12π−−√e−x22

f(x)= \frac {1}{\sqrt{2\pi}} e^{-\frac{x^2}{2}} 其中np.random.randn()函数生成了大量的x点。所以我们可以让

x=x′−μδ

x = \frac {x'-\mu}{\delta} 代入f(x)f(x)得

f(x′−μδ)=1δ2π−−√e−(x−μ)22δ2

f(\frac {x'-\mu}{\delta}) = \frac {1}{\delta\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\delta^2}} 我们不考虑纵轴的变化情况。因此要想得到任意的高斯分布模型，我们只需要解出x′x'即可，解得x′=μ+δxx' = \mu + \delta x

又因为xx由np.random.randn()生成，所以在python中，我们可以有如下形式：

mu,delta= 70,4.2
x = mu + delta * np.random.randn(100000)
n, bins, patches = plt.hist(x, 50, normed=1, facecolor='r', alpha=0.75)
plt.axis([50,100,0,0.5])
plt.show()

Alt text

二维高斯分布模型

对应的，只需要生成符合正态分布的x和y即可，代码如下：

mu_x,delta_x= 70,4.2
mu_y,delta_y = 20,2.1
x = mu_x + delta_x * np.random.randn(400)
y = mu_y + delta_y * np.random.randn(400)

plt.plot(x,y,'ro')
plt.axis([50,90,10,30])
plt.show()

Alt text

参考文献

1.http://matplotlib.org/users/pyplot_tutorial.html