numpy统计分布显示

1. 计算鸢尾花花瓣长度的最大值，平均值，中值，均方差。

   from sklearn.datasets import load_iris
   import numpy as np
   iris = load_iris()
   print(iris)
   petal_length=np.array(list(len[2]for len in iris['data']))
   np.max(petal_length)  #花瓣长度最大值
   np.min(petal_length)  #花瓣长度最小值
   np.std(petal_length)  #花瓣长度数值的标准差
   np.median(petal_length)  #花瓣长度数值的中位数
   

   运行结果：                                                                                     

2. 用np.random.normal()产生一个正态分布的随机数组，并显示出来。

   np.random.normal(loc=1,scale=10,size=100)  #产生一个均值为1，标准差为10的正态分布的随机数组
   

   运行结果：                                                                                                  

3. np.random.randn()产生一个正态分布的随机数组，并显示出来。

   np.random.randn(3,3)  #3行3列正态分布随机数组
   

   运行结果：                                                                                                          

4. 显示鸢尾花花瓣长度的正态分布图。

   import matplotlib.pyplot as plt
   mu = np.mean(petal_length)  #花瓣长度期望值
   sigma = np.std(petal_length)  #花瓣长度标准差
   num=150
   rand_data= np.random.normal(mu,sigma,num)
   print(rand_data.shape,type(rand_data))
   print(np.mean(petal_length),np.std(petal_length),np.median(petal_length))
   
   count, bins, ignored = plt.hist(rand_data,30,normed=True)
   plt.plot(bins,1/(sigma * np.sqrt(2 * np.pi)) *np.exp( - (bins - mu)**2/(2 * sigma**2)),linewidth=2, color='b')    #花瓣长度正态分布图
   plt.show()
   

   

5. 显示鸢尾花花瓣长度的曲线图

   mu = np.mean(petal_length)  #花瓣长度期望值
   sigma = np.std(petal_length)  #花瓣长度标准差
   num=150
   rand_data= np.random.normal(mu,sigma,num)
   print(rand_data.shape,type(rand_data))
   print(np.mean(petal_length),np.std(petal_length),np.median(petal_length))
   plt.plot(np.linspace(0,150,num=150),petal_length,'b')  #花瓣曲线图
   plt.show()
   

   

6. 显示鸢尾花花瓣长度的散点图

   mu = np.mean(petal_length)  #花瓣长度期望值
   sigma = np.std(petal_length)  #花瓣长度标准差
   print(np.mean(petal_length),np.std(petal_length),np.median(petal_length))
   plt.scatter(np.linspace(0,150,num=150),petal_length,alpha=0.5,marker='D')  #花瓣散点图
   plt.show()