วิธีสร้างการแจกแจงแบบปกติใน python (พร้อมตัวอย่าง)

คุณสามารถสร้าง การแจกแจงแบบปกติ ใน Python ได้อย่างรวดเร็วโดยใช้ฟังก์ชัน numpy.random.normal() ซึ่งใช้ไวยากรณ์ต่อไปนี้:

 numpy. random . normal (loc=0.0, scale=1.0, size=None)

ทอง:

• loc: ค่าเฉลี่ยของการแจกแจง ค่าเริ่มต้นคือ 0
• สเกล: ส่วนเบี่ยงเบนมาตรฐานของการแจกแจง ค่าเริ่มต้นคือ 1
• ขนาด: ขนาดตัวอย่าง

บทช่วยสอนนี้แสดงตัวอย่างการใช้ฟังก์ชันนี้เพื่อสร้างการแจกแจงแบบปกติใน Python

ที่เกี่ยวข้อง: วิธีสร้าง Bell Curve ใน Python

ตัวอย่าง: การสร้างการแจกแจงแบบปกติใน Python

รหัสต่อไปนี้แสดงวิธีการสร้างการแจกแจงแบบปกติใน Python:

 from numpy. random import seed
from numpy. random import normal

#make this example reproducible
seed(1)

#generate sample of 200 values that follow a normal distribution 
data = normal (loc=0, scale=1, size=200)

#view first six values
data[0:5]

array([ 1.62434536, -0.61175641, -0.52817175, -1.07296862, 0.86540763])

เราสามารถหาค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของการแจกแจงนี้ได้อย่างรวดเร็ว:

 import numpy as np

#find mean of sample
n.p. mean (data)

0.1066888148479486

#find standard deviation of sample
n.p. std (data, ddof= 1 )

0.9123296653173484

นอกจากนี้เรายังสามารถสร้างฮิสโตแกรมด่วนเพื่อแสดงภาพการกระจายของค่าข้อมูลได้:

 import matplotlib. pyplot as plt
count, bins, ignored = plt. hist (data, 30)
plt. show ()

เรายังสามารถทำการ ทดสอบ Shapiro-Wilk เพื่อดูว่าชุดข้อมูลมาจากประชากรปกติหรือไม่:

 from scipy. stats import shapiro

#perform Shapiro-Wilk test
shapiro(data)

ShapiroResult(statistic=0.9958659410, pvalue=0.8669294714)

ค่า p ของการทดสอบกลายเป็น 0.8669 เนื่องจากค่านี้ไม่น้อยกว่า 0.05 เราจึงสามารถสรุปได้ว่าข้อมูลตัวอย่างมาจากประชากรที่มีการกระจายแบบปกติ

ผลลัพธ์นี้ไม่น่าประหลาดใจเนื่องจากเราสร้างข้อมูลโดยใช้ฟังก์ชัน numpy.random.normal() ซึ่งสร้างตัวอย่างข้อมูลแบบสุ่มจากการแจกแจงแบบปกติ