随机数、概率密度
1. 随机数：主要由 numpy.random 模块完成numpy.random.rand(3，2，3) #使用 [0,1) 区间随机数均匀分布填充一个(3,2,3)(自定义尺寸)数组
numpy.random.randn(3，2，3) // 使用标准正态分布而已
np.random.randint(low, high, size
转载
2024-09-11 12:43:44
48阅读
命题：称能判断真假的陈述句为命题。命题公式：若在复合命题中，p、q、r等不仅可以代表命题常项，还可以代表命题变项，这样的复合命题形式称为命题公式。命题的赋值：设A为一命题公式，p ,p ,…,p 为出现在A中的所有命题变项。给p ,p ,…,p 指定一组真值，称为对A的一个赋值或解释。若指定的一组值使A的值为真，则称成真赋值。真值表：含n（n≥1）个命题变项的命题公式，共有2^n组赋值。将命题公式
转载
2024-06-05 09:51:24
52阅读
Task08学习思维导图注：为了节约行数，默认import numpy as np已经写在每段代码前，不再重复写入，如果有新的包引入，会在这里说明：from scipy import stats前言在第十一章的学习：数学函数 中，我们已经大体介绍了一些统计函数的基本使用方法：在本次学习中让我们来系统性地学习一下，明白它们到底是用来做什么的。概率论是统计学的基础，而随机事件的概率是概率论研究的基本内
随机抽样离散型随机变量二项分布/0-1分布概念PYTHON CODE:应用补充泊松分布/Poisson分布超几何分布连续型随机变量均匀分布正态分布指数分布其他随机函数 np.random.seed()随机数种子，功能：每次生成的随机数因时间差异而不同。 为什么需要seed：在数据预处理中，如果有随机操作，最好制定一个随机数种子，避免随机数据对结果造成影响。 随机变量分为离散型随机变量与 非离
转载
2024-05-30 10:03:05
112阅读
我们通常使用均值、中位数、众数等统计量来反映数据的集中趋势，但这些统计量无法完全反应数据的特征，即使均值相等的数据集也存在无限种分布的可能，所以需要结合数据的离散程度。常用的可以反映数据离散程度的统计量如下：极差（Range） 极差也叫全距，指数据集中的最大值与最小值之差： 极差计算比较简单，能从一定程度上反映数据集的离散情况，但因为最大值和最小值都取的是极端，而没有考虑中间其他数据项，因此往
转载
2024-01-15 08:20:40
117阅读
离散化指把连续型数据切分为若干“段”，也称bin，是数据分析中常用的手段。切分的原则有等距，等频，优化，或根据数据特点而定。在营销数据挖掘中，离散化得到普遍采用。究其原因，有这样几点： ①算法需要。例如决策树，NaiveBayes等算法本身不能直接使用连续型变量，连续型数据只有经离散处理后才能进入算法引擎。这一点在使用具体软件时可能不明显。因为大多数数据挖掘软件内已经内
这篇文章总结了概率统计中期望、方差、协方差和相关系数的定义、性质和基本运算规则。 一、期望定义： 设P(x)是一个离散概率分布函数自变量的取值范围是。那么其期望被定义为： &
转载
2024-01-30 08:54:38
373阅读
目录Python numpy.correlate()函数Python Numpy count_nonzero函数Python中的numpy.diff()Python numpy.dtype.kind()函数Python numpy.dtype.subdtype()函数Python numpy.find_common_type()函数Python numpy.correlate()函数numpy.c
转载
2023-10-09 10:13:41
121阅读
所谓高级函数，指普通生活中很少使用的，但是在数据高级分析、机器学习、科学研究中所需要使用的一类统计函数。1)、计算沿指定轴的元素个数的第q个百分位数，求观察值N 函数percentile(a, q, axis=None)，a为需要统计的集合对象，q为要计算的百分位数或百分位数序列（q的取值区间为[0,100]）。返回q%范围内的观察值import numpy as np
a1 = np.array
转载
2023-10-21 22:00:14
213阅读
matplotlib、numpy、pandas库的基本用法一、matplotlib（一）绘制折线图(二)绘制散点图二、numpy（一）数组array（二）矩阵matrix（三）用numpy求各种距离（1）计算欧氏距离(2)计算曼哈顿距离(3)切比雪夫距离(4)夹角余弦三、pandas（一）Series对象（二）DataFrame(数据表）1.根据字典和Series对象的组合初始化一个Datafr
转载
2023-10-20 14:40:25
142阅读
文章目录from numpy.core.numeric()计算流程 from numpy.core.numeric()def convolve(a, v, mode='full'):
"""
Returns the discrete, linear convolution of two one-dimensional sequences.
返回两个一维序列的离散线性卷积。
转载
2024-05-14 14:30:12
52阅读
常用统计量：样本均值样本均值(sample mean)又叫样本均数。即为样本的均值。均值是表示一组数据集中趋势的量数，是指在一组数据中所有数据之和再除以这组数据的个数。它是反映数据集中趋势的一项指标。样本方差先求出总体各单位变量值与其算术平均数的离差的平方，然后再对此变量取平均数，就叫做样本方差。样本方差用来表示一列数的变异程度。样本均值又叫样本均数。即为样本的均值。样本变异系数变异系数，又称“离
转载
2024-09-12 13:53:54
65阅读
# Python 计算离散变量相关系数
## 简介
在数据分析中，我们经常需要计算变量之间的相关系数，以了解它们之间的线性关系强度和方向。离散变量是指只能取有限个数值的变量，比如性别（男、女）、学历（本科、硕士、博士）等。本文将介绍如何使用 Python 来计算离散变量的相关系数。
## 流程概述
下面是计算离散变量相关系数的整个流程：
```mermaid
stateDiagram
原创
2023-12-07 08:26:38
118阅读
一、Numpy简介一个用python实现的科学计算，包括：1、一个强大的N维数组对象Array；2、比较成熟的（广播）函数库；3、用于整合C/C++和Fortran代码的工具包；4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。NumPy（Numeric Python）提供了许多高级的数值编程工具，如：矩阵数据类型、矢量处理，以及精密的运算库。专
转载
2023-10-15 07:27:59
561阅读
在处理离散数据的统计分析时，离散系数是一个非常重要的指标。它帮助我们了解数据的离散程度，尤其是在比较不同数据集的相对离散时尤为有效。本文将详细讨论如何通过Python来计算离散点的离散系数，包括一些实用的案例和方法。
关于计算离散系数的数学公式：
离散系数（Coefficient of Variation，CV）可以用以下公式计算：
$$ CV = \frac{\sigma}{\mu} $$
数据的离散程度，用来描述一组数据的分散程度。数据离散程度度量的标准和方式有很多，而具体选择哪一种方式则需要依据实际的数据要求进行抉择。常见的有几种：平均数、中位数、众数、四分位差、方差、标准差、离散系数。以下简单解释：众数、极差、四分位差、标准差、方差、离散系数。众数：通俗地理解是一组数中出现次数最多的那个数。极差：极差为数据样本中的最大值与最小值的差值R=max(i)-min(i)，是所有衡量数
转载
2023-07-07 21:56:36
272阅读
一、理论概述1）问题引出先看如下几张图： 从上述图中可以看出，如果将3个图的数据点投影到x1轴上，图1的数据离散度最高，图3其次，图2最小。数据离散性越大，代表数据在所投影的维度上具有越高的区分度，这个区分度就是信息量。如果我们用方差来形容数据的离散性的话，就是数据方差越大，表示数据的区分度越高，也就是蕴含的信息量是越大的。 基于这个知识，如果对数据进行降维的话，图1投影到x1轴上面，数据的离
转载
2024-10-08 18:30:23
85阅读
关系作为集合的运算：关系的交：R ∩ S={(x,y)|x∈∈A, y∈∈A,xRy且xSy}关系的并：R∪ S={(x,y)| x∈∈A, y∈∈A ,xRy或xSy}关系的差：R - S={(x,y)| x∈∈A, y∈∈A ,xRy并且xS/y}逆关系：R−1R−1 ={(y, x)|x∈∈A, y∈∈A, 并且有xRy}关系的乘积：称关系R•S为关系R和S的乘积或合成关系的乘法的
转载
2023-12-04 22:58:07
187阅读
Numpy的强大之处，在于它多样的模块，不同的模块自然对应着不同的解决问题的方式。Numpy中的模块有很多，这一次，主要涉及的是linalg模块（线性代数）、fft模块（快速傅里叶变换）、随机数、连续分布和离散分布（概率论）。 Example1 计算逆矩阵 # -*-coding:utf-8-*-
import numpy as np
import matplotlib.pyplot as
转载
2024-03-02 09:58:25
78阅读
离散小波变换(一)1、为什么需要离散小波变换 虽然离散化的连续小波变换（即小波级数）使得连续小波变换的运算可以用计算机来实现，但这还不是真正的离散变换。事实上，小波级数仅仅是CWT的采样形式。即便是考虑到信号的重构，小波级数所包含的信息也是高度冗余的。这些冗余的信息同样会占用巨大的计算时间和资源。而离散小波变换（DWT）则不仅提供了信号分析和重
转载
2023-07-30 19:28:09
129阅读
