Python代码解读：用NumPy和Matplotlib生成并可视化高斯分布

本篇博客将逐行解读一段Python代码，该代码使用NumPy库生成高斯分布样本，并使用Matplotlib库将其可视化为直方图。pythonimport numpy as npimport matplotlib.pyplot as plt

设置样本数量NUM_SAMPLES = 10000

定义生成高斯分布样本的函数def generate_gaussian(): # 生成12个均匀分布的随机数并求和 uniform_sum = np.sum(np.random.rand(12)) # 将和值调整为标准正态分布 return uniform_sum - 6.0

生成高斯分布样本samples = np.array([generate_gaussian() for _ in range(NUM_SAMPLES)])

绘制直方图plt.hist(samples, bins=50, density=True)plt.title('高斯分布样本直方图')plt.xlabel('样本值')plt.ylabel('概率密度')plt.show()

代码解析：

1. 导入库: - import numpy as np: 导入NumPy库并命名为'np'，用于数值计算。 - import matplotlib.pyplot as plt: 导入Matplotlib库中的pyplot模块并命名为'plt'，用于绘图。

2. 设置样本数量: - NUM_SAMPLES = 10000: 定义一个常量NUM_SAMPLES，表示要生成的样本数量为10000。

3. 定义生成高斯分布样本的函数: - def generate_gaussian(): 定义一个函数generate_gaussian，用于生成符合标准正态分布的随机数。 - uniform_sum = np.sum(np.random.rand(12)): 生成12个[0, 1)之间均匀分布的随机数，并计算它们的和。 - return uniform_sum - 6.0: 将和值减去6.0，使其符合均值为0，标准差为1的标准正态分布。

4. 生成高斯分布样本: - samples = np.array([generate_gaussian() for _ in range(NUM_SAMPLES)]): 使用列表推导式生成一个包含NUM_SAMPLES个高斯分布样本的列表，并将其转换为NumPy数组。

5. 绘制直方图: - plt.hist(samples, bins=50, density=True): 绘制样本的直方图。 - samples: 指定要绘制直方图的数据。 - bins=50: 将直方图分为50个区间。 - density=True: 将频数转换为概率密度，使得直方图的面积为1。 - plt.title('高斯分布样本直方图'): 设置图表标题。 - plt.xlabel('样本值'): 设置x轴标签为'样本值'。 - plt.ylabel('概率密度'): 设置y轴标签为'概率密度'。 - plt.show(): 显示图表。

总结

这段代码演示了如何使用NumPy库生成高斯分布的随机数，并使用Matplotlib库绘制直方图来可视化数据的分布情况。 这对于理解高斯分布以及如何用Python进行数据分析和可视化非常有帮助。