目录 目录 前言 (一)直方图 (二)双直方图 目录 前言 今天我们学习的是直方图,导入的函数是: plt.hist(x=x, bins=10) 与plt.hist2D(x=x, y=y) (一)直方图 (1)说明: pyplot.``hist(x, bins=None, density=None,--kwargs*) 常见的参数属性 具体参考:官网说明文档 属性 说明 类型 x 数据 数值类型 bins 条形数 int color 颜色 "r","g","

scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs) x,y:输入数据,array_like,shape(n,) s:点的大小 标量或array_like,shape(n,),可选 大小以点数^ 2.

最近在读<SRE Google运维解密>第20章提到数据中心内部服务器的负载均衡方法,文章对比了几种负载均衡的算法,其中随机选择算法,非常适合用 Numpy 模拟并且用 Matplotlib 画图,下面是我的代码: # 使用 numpy 模拟 GRE 中的随机选择算法,并使用 pyplot绘图 import numpy as np from numpy import random r = random.randint(1,301,size = (300,225) ) a = {} for i

1.Matplotlib简介及图表窗口 Matplotlib → 一个python版的matlab绘图接口,以2D为主,支持python.numpy.pandas基本数据结构,运营高效且有较丰富的图表库 https://matplotlib.org/api/pyplot_api.html title为图像标题,Axis为坐标轴, Label为坐标轴标注,Tick为刻度线,Tick Label为刻度注释. plt.plot( 数组 ) --> 图表窗口 plt.show( ) .  % matpl

当概率模型依赖于无法观测的隐性变量时,使用普通的极大似然估计法无法估计出概率模型中参数.此时需要利用优化的极大似然估计:EM算法. 在这里我只是想要使用这个EM算法估计混合高斯模型中的参数.由于直观原因,采用一维高斯分布. 一维高斯分布的概率密度函数表示为: 多个高斯分布叠加在一起形成混合高斯分布: 其中:k 表示一共有 k 个子分布,.为什么累加之和为 1?因为哪怕是混合模型也表示一个概率密度,从负无穷到正无穷积分概率为 1,所以只有累加之和为 1才能保证,很简单的推导. 设总体 ξ,总体服从

过拟合现象 一般来说,量化研究员在优化其交易策略参数时难免会面临这样一个问题:优化过后的策略在样本内表现一般来说均会超过其在样本外的表现,即参数过拟合.对于参数优化来说,由于优化时存在噪音,过拟合是不可避免的现象.然而为了追求策略的稳定性,我们应当尽可能地使过拟合风险最小化.     为了检测在一个策略的参数优化过程中的过拟合风险,David H. Bailey等人在2015年发表了一篇名为<THE PROBABILITY OF BACKTEST OVERFITTING>的文章,给出了一种估计

1. import numpy as np import pandas as pd import matplotlib.pyplot as plt % matplotlib inline # 导入相关模块 # linestyle参数 plt.plot([i**2 for i in range(100)], linestyle = '-.') #不用设置的时候默认为直线‘-’ # '-' solid line style # '--' dashed line style # '-.' dash-d

""" Demo of the histogram (hist) function with a few features. In addition to the basic histogram, this demo shows a few optional features: * Setting the number of data bins * The ``normed`` flag, which normalizes bin heights so that the in

**n, bins, patches = plt.hist(datasets, bins, normed=False, facecolor=None, alpha=None)** ## 函数说明 用于绘制多个数据集datasets的直方图 --- 主要形参: 1. datasets: 数据集列表, datasets中各个数据集的长度可以不等, 也可以传入numpy中的 2-D ndarray 2. bins: 直方图中箱子(bin)的个数 3. facecolor: 箱子的颜色 4. alpha

plt.rcParams[] pylot使用rc配置文件来自定义图形的各种默认属性,称之为rc配置或rc参数.通过rc参数可以修改默认的属性,包括窗体大小.每英寸的点数.线条宽度.颜色.样式.坐标轴.坐标和网络属性.文本.字体等. rc参数存储在字典变量中,通过字典的方式进行访问,如下代码: import numpy as np import matplotlib.pyplot as plt ###%matplotlib inline #jupyter可以用,这样就不用plt.show() #生

1. 背景 Python在一些数据可视化的过程中需要使用 plt 函数画柱状图和折线图. 2. 导入 import matplotlib.pyplot as plt 3. 柱状图 array= np.array(array) plt.hist(array, bins=50,facecolor="red", edgecolor="red" ,linewidth=5,alpha=0.7) plt.xlabel("") plt.ylabel("

1,函数stipplot() stipplot()函数用来画散点图,其x轴是离散型的变量 直接上代码 import seaborn as sns import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt tips = sns.load_dataset("tips") #seaborn内置数据集,DaraFram类型 sns.stripplot(x=&qu

# -*- coding: utf-8 -*- import numpy as np import matplotlib.mlab as mlab import matplotlib.pyplot as plt from scipy import optimize plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号 ax = plt.

1.二维绘图 a. 一维数据集 用 Numpy ndarray 作为数据传入 ply 1. import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt np.random.seed(1000) y = np.random.standard_normal(10) print "y = %s"% y x = range(len(y)) print "x=%s"% x plt.pl

一.MCMC 简介 1. Monte Carlo 蒙特卡洛 蒙特卡洛方法(Monte Carlo)是一种通过特定分布下的随机数(或伪随机数)进行模拟的方法.典型的例子有蒲丰投针.定积分计算等等,其基础是大数定律. 蒙特卡洛方法有哪些优缺点如下: 优点:计算准确性由采样的均匀程度决定:大大简化问题复杂性 缺点: 由于要进行大量的抽样计算,对计算机速度依赖性强 目前绝大多数随机数发生器均为伪随机数,一定程度上有偏 定积分求解问题中,对于\(\color{blue}{复杂或者高维的分布}\),利用蒙特

原文:http://hyry.dip.jp/tech/slice/slice.html/35 Python Notebook简介1 作者 : RY    标签: cython ipython-notebook IPython notebook目前已经成为用Python做教学.计算.科研的一个重要工具.本文介绍IPython notebook的一些基本用法,以及如何使用它调试Cython程序. IPython Notebook使用浏览器作为界面,向后台的IPython服务器发送请求,并显示结果.在

最近获得了一些四级成绩数据,大概500多个,于是突发奇想是否能够看看这些成绩数据是否满足所谓的正态分布呢?说干就干,于是有了这篇文章.文章顺带介绍了xlrd模块的一些用法和matplotlib画自定义数据的条形图和随机的条形图的一些方法,并且提供了一些相关链接,可作为学习matplotlib和numpy的资源,希望对读者也有帮助. 更优美的格式见这里 工具 Python 3.5 xlrd模块 numpy模块及一些依赖模块(安装请自行查询方法,绝大部分pip就可搞定) matplotlib绘图模块

在Ubuntu下安装Python模块通常有3种方法:1)使用apt-get:2)使用pip命令(推荐);3)easy_instal 可安装方法参考:[转]linux和windows下安装python集成开发环境及其python包 ——[二.安装] 参考:[Install Python packages on Ubuntu 14.04] 使用pip安装以下包时可能会出现问题(某些基础库缺失),导致安装失败,所以可确定系统中是否存在以下基础库: Ubuntu dependencies A varie

Numpy 使用1 1.Numpy创建数组 import numpy as np 创建数组有以下方式: (1).arange numpy.arange([start, ]stop, [step, ]dtype=None) np.arange(12) np.arange(1, 10, 2):  1 3 5 7 9 np.arange(12).reshape(3,4) np.arange(12).reshape( (3,4) ) (2).zeros ones empty 这3个类似的 numpy.z

1.需要导入的包 import seaborn as sns import numpy as np from numpy.random import randn import matplotlib as mpl import matplotlib.pyplot as plt from scipy import stats 我用的是spyder,之前安装过numpy和scipy所以这次只用安装seaborn就可以了 spyder环境下,可以用 conda install seaborn 来安装se