使用python实现随机正态分布数据，并导出到表格（超详细）
Posted Quase7
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了使用python实现随机正态分布数据，并导出到表格（超详细）相关的知识，希望对你有一定的参考价值。
文章目录
一、前言
最近需要大量的正态分布的数据，为了方便，使用python实现随机正态分布，画出理想正态分布图和实际的矩形分布，并导出到表格里面。
二、使用步骤
1.引入库
下面是编写代码所用到的库
import numpy as np #随机数
import matplotlib.pyplot as plt #画图
import xlwt #导出表格
2.随机正态分布生成算法
生成的数据是100*100，且使用了两种生成正态分布的算法。
- 一种是基于最大值、最小值范围得到的随机分布。
result = np.random.randint(0, 100, size=100) # 最小值,最大值,数量
- 一种是基于均值和标准差得到的随机分布。
result = np.random.normal(60, 20, (row,cols)) # 均值,标准差,数量
可以看到，两种算法当中，基于均值和标准差得到的数据更接近正态分布，接下来以第二种做演示。
2.1.利用np.random.normal函数生成二维数据
# 根据均值、标准差,求指定范围的正态分布概率值
def normfun(x, mu, sigma):
pdf = np.exp(-((x - mu)**2)/(2*sigma**2)) / (sigma * np.sqrt(2*np.pi))
return pdf
row = 100 #行
cols = 100 #列
#随机生成，整体正态分布
# result = np.random.randint(0, 100, size=100) # 最小值,最大值,数量
result = np.random.normal(60, 20, (row,cols)) # 均值,标准差,数量
#print(result)
生成的数据
2.2.利用for循环生成100*100数据
# 根据均值、标准差,求指定范围的正态分布概率值
def normfun(x, mu, sigma):
pdf = np.exp(-((x - mu)**2)/(2*sigma**2)) / (sigma * np.sqrt(2*np.pi))
return pdf
row = 100 #行
cols = 84 #列
result_arr = [[0 for i in range(cols)] for j in range(row)]
#随机生成，行正态分布
for i in range(0,row):
# result = np.random.randint(0, 100, size=100) # 最小值,最大值,数量
result = np.random.normal(100, 50, cols) # 均值,标准差,数量
x = 0
for j in result:
result_arr[i][x] = round(j) #取整
x = x+1
for i in range(0,row):
print(result_arr[i])
对数据做了取整，生成的部分数据
3.生成分布图
可以修改bins个数
#正态分布图
x = np.arange(min(result), max(result), 1) #步长为1
# 设定 y 轴，载入刚才的正态分布函数
print("均值：",result.mean(), "标准差：",result.std()) #均值、标准差
y = normfun(x, result.mean(), result.std())
plt.plot(x, y) # 这里画出理论的正态分布概率曲线
# 这里画出实际的参数概率与取值关系
plt.hist(result, bins=100, rwidth=0.9, density=True) # bins个柱状图,宽度是rwidth(0~1),=1没有缝隙
plt.title('distribution')
plt.xlabel('temperature')
plt.ylabel('probability')
# 输出
plt.show() # 最后图片的概率和不为1是因为正态分布是从负无穷到正无穷,这里指截取了数据最小值到最大值的分布
- 可以修改柱状图个数，个数=100，bins=10生成的图示：
- 个数=100，bins=100生成的图示：
4. 导出到表格
不同的算法对应不同的导出格式
#导出为表格
workbook = xlwt.Workbook(encoding="utf-8") # 创建workbook对象
worksheet = workbook.add_sheet('sheet1') # 创建工作表
for i in range(0,row):
for j in range(0,cols):
worksheet.write(i, j, result_arr[i][j])
workbook.save('test.xls')
生成的部分数据
5. 完整算法
虽然采取了不同的算法，但总体思路是一样的，但是会有一些细节上的改动，下面将利用函数自身生成的数据算法与利用for循环算法生成的数据结果一并展示。
5.1.利用np.random.normal函数生成二维数据
import numpy as np
import matplotlib.pyplot as plt
import xlwt
# 根据均值、标准差,求指定范围的正态分布概率值
def normfun(x, mu, sigma):
pdf = np.exp(-((x - mu)**2)/(2*sigma**2)) / (sigma * np.sqrt(2*np.pi))
return pdf
row = 100 #行
cols = 100 #列
#随机生成，整体正态分布
#result = np.random.randint(0, 100, size=1000) # 最小值,最大值,数量
result = np.random.normal(60, 20, (row,cols)) # 均值,标准差,数量
print(result)
#导出为表格
n=0
workbook = xlwt.Workbook(encoding="utf-8") # 创建workbook对象
worksheet = workbook.add_sheet('sheet1') # 创建工作表
for i in range(0,row):
for j in range(0,cols):
worksheet.write(i, j, round(result[i][j]))
workbook.save('test_3.xls')
#正态分布图
result = result[2]
x = np.arange(min(result), max(result), 1) #步长为1
# 设定 y 轴，载入刚才的正态分布函数
print("均值：",result.mean(), "标准差：",result.std()) #均值、标准差
y = normfun(x, result.mean(), result.std())
plt.plot(x, y) # 这里画出理论的正态分布概率曲线
# 这里画出实际的参数概率与取值关系
plt.hist(result, bins=100, rwidth=0.9, density=True) # bins个柱状图,宽度是rwidth(0~1),=1没有缝隙
plt.title('distribution')
plt.xlabel('temperature')
plt.ylabel('probability')
# 输出
plt.show() # 最后图片的概率和不为1是因为正态分布是从负无穷到正无穷,这里指截取了数据最小值到最大值的分布
5.2.利用for循环生成100*100数据
import numpy as np
import matplotlib.pyplot as plt
import xlwt
# 根据均值、标准差,求指定范围的正态分布概率值
def normfun(x, mu, sigma):
pdf = np.exp(-((x - mu)**2)/(2*sigma**2)) / (sigma * np.sqrt(2*np.pi))
return pdf
row = 100 #行
cols = 100 #列
result_arr = [[0 for i in range(cols)] for j in range(row)]
#随机生成，行正态分布
for i in range(0,row):
# result = np.random.randint(0, 100, size=100) # 最小值,最大值,数量
result = np.random.normal(60, 20, cols) # 均值,标准差,数量
#print(result)
x = 0
for j in result:
result_arr[i][x] = round(j)
x = x+1
for i in range(0,row):
print(result_arr[i])
#导出为表格
workbook = xlwt.Workbook(encoding="utf-8") # 创建workbook对象
worksheet = workbook.add_sheet('sheet1') # 创建工作表
for i in range(0,row):
for j in range(0,cols):
worksheet.write(i, j, result_arr[i][j])
workbook.save('test_2.xls')
x = np.arange(min(result), max(result), 1) #步长为1
# 设定 y 轴，载入刚才的正态分布函数
print(result.mean(), result.std()) #均值、标准差
y = normfun(x, result.mean(), result.std())
plt.plot(x, y) # 这里画出理论的正态分布概率曲线
# 这里画出实际的参数概率与取值关系
plt.hist(result, bins=100, rwidth=0.9, density=True) # bins个柱状图,宽度是rwidth(0~1),=1没有缝隙
plt.title('distribution')
plt.xlabel('temperature')
plt.ylabel('probability')
# 输出
plt.show() # 最后图片的概率和不为1是因为正态分布是从负无穷到正无穷,这里指截取了数据最小值到最大值的分布
总结
以上就是今天要讲的内容，本文仅仅简单介绍了使用python随机生成正态分布的数据，画图，并导出。正态分布是机器学习中很常见的一种需求，往往需要大量的数据进行测试，此时，本文的方法就可以大大减少因数据而花费的时间啦！
如有问题，欢迎评论区留言啊！
Python脚本：实现数据库导出数据到excel表格，支持mysql，postergrsql，MongoDB
import xlwt #返回需要导出的对象的集合,根据业务字型实现 def getObjList(): return [] # 制定 表格行 和数据库字段的对应 obj_feild = { 0: ‘name‘, # 表格第一行是名字 1: ‘age‘, # 表格第二行是年龄 2: ‘sno‘, # 表格第三行是学号 3: ‘sex‘, # 表格第四行是性别 } # 制定数据库字段和中文的对应 field_chinese = { ‘name‘:‘名字‘, # 数据库字段 name对应excel表格字段名字 ‘age‘: ‘年龄‘, # 数据库字段 age 对应excel字段 年龄 ‘sno‘:‘学号‘, # 同上 ‘sex‘:‘性别‘, # 同上 } def dbexportXls(file_path,obj_feild,field_chinese): workbook = xlwt.Workbook() #生成一个sheet sheet = workbook.add_sheet(‘1‘, cell_overwrite_ok=True) table_attrs = collections.OrderedDict() # 写入表格的属性值 for k, v in obj_feild.items(): sheet.write(0, int(k), field_chinese[v]) table_attrs[int(k)] = v print(‘表格属性：‘, table_attrs) #获得要导出的对象集合 results = getObjList() #遍历对象集合 for i in range(0,len(results)): row = results[i] for j in obj_feild: sheet.write(i+1,int(j),row[obj_feild[j]]) #保存表格 workbook.save(file_path) if os.path.isfile(file_path): print(‘数据库中成功导出数据‘) else: print(‘数据库导出错误‘) #调用 if __name__ == ‘__main__‘: dbexportXls(‘/usr/text.xlsx‘,obj_feild,field_chinese)
使用 参数file_path 就是你需要导出表格的名字 建议以 .xls 结尾
以上是关于使用python实现随机正态分布数据，并导出到表格（超详细）的主要内容，如果未能解决你的问题，请参考以下文章