Python Numpy

Posted 蛋蛋-M

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Python Numpy相关的知识,希望对你有一定的参考价值。

Numpy 练习

import numpy as np

import scipy.stats as ss

def case(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

    m = np.zeros((rep, 4))

    for i in range(rep):

        norm = np.random.normal(loc = mu, scale = sigma, size = n)

        xbar = np.mean(norm)

        low = xbar - ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

        up = xbar + ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

        if (mu > low) & (mu < up):

            rem = 1

        else:

            rem = 0

        m[i, :] = [xbar, low, up, rem]

    inside = np.sum(m[:, 3])

    per = inside / rep

    desc = "There are " + str(inside) + " confidence intervals that contain "

           "the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"

    return {"Matrix": m, "Decision": desc}

 {‘Matrix‘: array([[ 2.94244037,  1.55653654,  4.32834419,  1.        ],
       [ 2.7033498 ,  1.31744597,  4.08925362,  1.        ],
       [ 4.7486197 ,  3.36271587,  6.13452352,  0.        ],
       [ 3.41305929,  2.02715546,  4.79896311,  1.        ],
       [ 2.64787272,  1.2619689 ,  4.03377655,  1.        ],
       [ 3.08967078,  1.70376695,  4.4755746 ,  1.        ],
       [ 1.48585139,  0.09994757,  2.87175522,  0.        ],
       [ 3.53803986,  2.15213603,  4.92394368,  1.        ],
       [ 2.56695478,  1.18105095,  3.9528586 ,  1.        ],
       [ 4.00780865,  2.62190482,  5.39371247,  1.        ],
       [ 2.84628264,  1.46037882,  4.23218647,  1.        ],
       [ 3.18124253,  1.79533871,  4.56714635,  1.        ],
       [ 4.69740877,  3.31150494,  6.08331259,  0.        ],
       [ 3.10123937,  1.71533555,  4.48714319,  1.        ],
       [ 1.66798754,  0.28208371,  3.05389136,  1.        ],
       [ 2.99611972,  1.6102159 ,  4.38202355,  1.        ],
       [ 2.27878446,  0.89288064,  3.66468829,  1.        ],
       [ 2.49110791,  1.10520409,  3.87701174,  1.        ],
       [ 3.12825333,  1.74234951,  4.51415716,  1.        ],
       [ 1.73518129,  0.34927747,  3.12108512,  1.        ],
       [ 1.54507169,  0.15916787,  2.93097552,  0.        ],
       [ 2.99182215,  1.60591833,  4.37772598,  1.        ],
       [ 3.48756949,  2.10166567,  4.87347331,  1.        ],
       [ 2.89581822,  1.5099144 ,  4.28172204,  1.        ],
       [ 2.80865214,  1.42274832,  4.19455597,  1.        ],
       [ 3.50052159,  2.11461777,  4.88642542,  1.        ],
       [ 4.14494862,  2.75904479,  5.53085244,  1.        ],
       [ 3.67753588,  2.29163205,  5.0634397 ,  1.        ],
       [ 2.95616485,  1.57026103,  4.34206868,  1.        ],
       [ 4.53506363,  3.1491598 ,  5.92096745,  0.        ],
       [ 2.72485067,  1.33894684,  4.11075449,  1.        ],
       [ 3.17907726,  1.79317344,  4.56498109,  1.        ],
       [ 3.21897371,  1.83306989,  4.60487753,  1.        ],
       [ 2.45852793,  1.0726241 ,  3.84443175,  1.        ],
       [ 3.73128494,  2.34538111,  5.11718876,  1.        ],
       [ 3.0720078 ,  1.68610398,  4.45791163,  1.        ],
       [ 3.59371559,  2.20781177,  4.97961942,  1.        ],
       [ 2.62224556,  1.23634173,  4.00814938,  1.        ],
       [ 2.93213703,  1.54623321,  4.31804086,  1.        ],
       [ 2.36009182,  0.97418799,  3.74599564,  1.        ],
       [ 3.32636664,  1.94046282,  4.71227046,  1.        ],
       [ 3.47970118,  2.09379735,  4.865605  ,  1.        ],
       [ 2.22514533,  0.8392415 ,  3.61104915,  1.        ],
       [ 2.89182878,  1.50592496,  4.27773261,  1.        ],
       [ 1.48909717,  0.10319335,  2.875001  ,  0.        ],
       [ 4.50260023,  3.1166964 ,  5.88850405,  0.        ],
       [ 2.64266112,  1.25675729,  4.02856494,  1.        ],
       [ 2.44128142,  1.0553776 ,  3.82718525,  1.        ],
       [ 3.944326  ,  2.55842217,  5.33022982,  1.        ],
       [ 2.64270758,  1.25680375,  4.0286114 ,  1.        ],
       [ 3.28213223,  1.8962284 ,  4.66803605,  1.        ],
       [ 2.45659846,  1.07069464,  3.84250229,  1.        ],
       [ 2.05437736,  0.66847353,  3.44028118,  1.        ],
       [ 1.7528231 ,  0.36691928,  3.13872692,  1.        ],
       [ 3.03156704,  1.64566322,  4.41747087,  1.        ],
       [ 2.5957265 ,  1.20982267,  3.98163032,  1.        ],
       [ 4.29652432,  2.91062049,  5.68242814,  1.        ],
       [ 0.61878333, -0.7671205 ,  2.00468715,  0.        ],
       [ 1.24349692, -0.1424069 ,  2.62940075,  0.        ],
       [ 2.87718212,  1.4912783 ,  4.26308595,  1.        ],
       [ 2.30513816,  0.91923434,  3.69104199,  1.        ],
       [ 3.52140323,  2.13549941,  4.90730706,  1.        ],
       [ 2.06199962,  0.67609579,  3.44790344,  1.        ],
       [ 3.14329411,  1.75739028,  4.52919793,  1.        ],
       [ 3.01066419,  1.62476037,  4.39656802,  1.        ],
       [ 2.09523516,  0.70933134,  3.48113898,  1.        ],
       [ 4.80460475,  3.41870093,  6.19050858,  0.        ],
       [ 3.10590296,  1.71999914,  4.49180679,  1.        ],
       [ 2.10089448,  0.71499066,  3.48679831,  1.        ],
       [ 3.4028367 ,  2.01693287,  4.78874052,  1.        ],
       [ 2.93177144,  1.54586762,  4.31767527,  1.        ],
       [ 2.88510097,  1.49919715,  4.2710048 ,  1.        ],
       [ 3.72506026,  2.33915643,  5.11096408,  1.        ],
       [ 4.00821327,  2.62230944,  5.39411709,  1.        ],
       [ 2.79177951,  1.40587568,  4.17768333,  1.        ],
       [ 2.9758259 ,  1.58992208,  4.36172973,  1.        ],
       [ 3.17610416,  1.79020033,  4.56200798,  1.        ],
       [ 2.69703102,  1.31112719,  4.08293484,  1.        ],
       [ 3.82051569,  2.43461187,  5.20641952,  1.        ],
       [ 2.87274776,  1.48684393,  4.25865158,  1.        ],
       [ 3.75466277,  2.36875894,  5.14056659,  1.        ],
       [ 2.41862718,  1.03272335,  3.804531  ,  1.        ],
       [ 2.09078702,  0.70488319,  3.47669084,  1.        ],
       [ 3.5470385 ,  2.16113468,  4.93294233,  1.        ],
       [ 3.29972583,  1.91382201,  4.68562965,  1.        ],
       [ 2.53316294,  1.14725912,  3.91906677,  1.        ],
       [ 2.43271501,  1.04681119,  3.81861884,  1.        ],
       [ 2.97562393,  1.58972011,  4.36152776,  1.        ],
       [ 2.59330321,  1.20739939,  3.97920704,  1.        ],
       [ 3.20420879,  1.81830497,  4.59011262,  1.        ],
       [ 1.82511119,  0.43920736,  3.21101501,  1.        ],
       [ 1.99640796,  0.61050413,  3.38231178,  1.        ],
       [ 3.20508829,  1.81918447,  4.59099211,  1.        ],
       [ 2.27549514,  0.88959131,  3.66139896,  1.        ],
       [ 2.73630813,  1.35040431,  4.12221196,  1.        ],
       [ 2.4695514 ,  1.08364758,  3.85545523,  1.        ],
       [ 4.28041329,  2.89450947,  5.66631712,  1.        ],
       [ 1.97264979,  0.58674597,  3.35855362,  1.        ],
       [ 2.79447979,  1.40857597,  4.18038362,  1.        ],
       [ 2.58405171,  1.19814788,  3.96995553,  1.        ]]),

‘Decision‘: ‘There are 90.0 confidence intervals that contain the true mean (3), that is 0.9 percent of the total CIs‘}

 

import numpy as np

import scipy.stats as ss

def case2(n = 10, mu = 3, sigma = np.sqrt(5), p = 0.025, rep = 100):

    scaled_crit = ss.norm.ppf(q = 1 - p) * (sigma / np.sqrt(n))

    norm = np.random.normal(loc = mu, scale = sigma, size = (rep, n))

    xbar = norm.mean(1)

    low = xbar - scaled_crit

    up = xbar + scaled_crit

    rem = (mu > low) & (mu < up)

    m = np.c_[xbar, low, up, rem]

    inside = np.sum(m[:, 3])

    per = inside / rep

    desc = "There are " + str(inside) + " confidence intervals that contain "

           "the true mean (" + str(mu) + "), that is " + str(per) + " percent of the total CIs"

    return {"Matrix": m, "Decision": desc}

{‘Matrix‘: array([[ 3.11513239,  1.72922856,  4.50103621,  1.        ],
       [ 4.37741717,  2.99151335,  5.763321  ,  1.        ],
       [ 3.50369495,  2.11779113,  4.88959878,  1.        ],
       [ 3.92328984,  2.53738602,  5.30919367,  1.        ],
       [ 4.05234486,  2.66644104,  5.43824869,  1.        ],
       [ 1.52382152,  0.13791769,  2.90972534,  0.        ],
       [ 3.01021434,  1.62431051,  4.39611816,  1.        ],
       [ 3.16610978,  1.78020595,  4.5520136 ,  1.        ],
       [ 2.91210213,  1.5261983 ,  4.29800595,  1.        ],
       [ 2.90473912,  1.51883529,  4.29064294,  1.        ],
       [ 2.02357197,  0.63766814,  3.40947579,  1.        ],
       [ 4.42493367,  3.03902985,  5.8108375 ,  0.        ],
       [ 3.32230679,  1.93640297,  4.70821062,  1.        ],
       [ 3.20926919,  1.82336537,  4.59517302,  1.        ],
       [ 2.83092026,  1.44501643,  4.21682408,  1.        ],
       [ 2.64273426,  1.25683044,  4.02863808,  1.        ],
       [ 4.16830429,  2.78240046,  5.55420811,  1.        ],
       [ 3.36988996,  1.98398613,  4.75579378,  1.        ],
       [ 2.59097813,  1.20507431,  3.97688195,  1.        ],
       [ 2.61249845,  1.22659462,  3.99840227,  1.        ],
       [ 4.24629684,  2.86039301,  5.63220066,  1.        ],
       [ 4.60020971,  3.21430589,  5.98611354,  0.        ],
       [ 4.08479984,  2.69889601,  5.47070366,  1.        ],
       [ 3.33209001,  1.94618618,  4.71799383,  1.        ],
       [ 3.59251387,  2.20661005,  4.9784177 ,  1.        ],
       [ 3.68444949,  2.29854567,  5.07035332,  1.        ],
       [ 3.00913259,  1.62322877,  4.39503642,  1.        ],
       [ 3.21919882,  1.83329499,  4.60510264,  1.        ],
       [ 3.20020829,  1.81430446,  4.58611211,  1.        ],
       [ 2.40560374,  1.01969992,  3.79150756,  1.        ],
       [ 3.71353537,  2.32763154,  5.09943919,  1.        ],
       [ 3.62509263,  2.2391888 ,  5.01099645,  1.        ],
       [ 2.89022272,  1.5043189 ,  4.27612654,  1.        ],
       [ 2.73909177,  1.35318794,  4.12499559,  1.        ],
       [ 2.17577935,  0.78987553,  3.56168318,  1.        ],
       [ 3.06606491,  1.68016108,  4.45196873,  1.        ],
       [ 1.81440876,  0.42850493,  3.20031258,  1.        ],
       [ 2.69955968,  1.31365585,  4.0854635 ,  1.        ],
       [ 3.64872238,  2.26281856,  5.03462621,  1.        ],
       [ 2.53294803,  1.1470442 ,  3.91885185,  1.        ],
       [ 2.5917853 ,  1.20588148,  3.97768912,  1.        ],
       [ 2.08203396,  0.69613013,  3.46793778,  1.        ],
       [ 1.58372594,  0.19782212,  2.96962977,  0.        ],
       [ 3.53536882,  2.149465  ,  4.92127265,  1.        ],
       [ 3.95965507,  2.57375125,  5.34555889,  1.        ],
       [ 2.72876271,  1.34285889,  4.11466653,  1.        ],
       [ 3.44364205,  2.05773822,  4.82954587,  1.        ],
       [ 2.17086461,  0.78496078,  3.55676843,  1.        ],
       [ 3.29803318,  1.91212935,  4.683937  ,  1.        ],
       [ 1.11366509, -0.27223874,  2.49956891,  0.        ],
       [ 3.53452411,  2.14862029,  4.92042793,  1.        ],
       [ 2.22673629,  0.84083247,  3.61264012,  1.        ],
       [ 3.97041982,  2.584516  ,  5.35632365,  1.        ],
       [ 3.41386928,  2.02796546,  4.7997731 ,  1.        ],
       [ 3.23969271,  1.85378888,  4.62559653,  1.        ],
       [ 4.12605408,  2.74015026,  5.51195791,  1.        ],
       [ 2.55026349,  1.16435966,  3.93616731,  1.        ],
       [ 4.37087749,  2.98497366,  5.75678131,  1.        ],
       [ 2.00564413,  0.61974031,  3.39154796,  1.        ],
       [ 2.49962212,  1.1137183 ,  3.88552594,  1.        ],
       [ 3.32357235,  1.93766853,  4.70947618,  1.        ],
       [ 2.98914117,  1.60323734,  4.37504499,  1.        ],
       [ 3.87868714,  2.49278331,  5.26459096,  1.        ],
       [ 2.24590758,  0.86000376,  3.6318114 ,  1.        ],
       [ 3.17845029,  1.79254646,  4.56435411,  1.        ],
       [ 3.55283527,  2.16693144,  4.93873909,  1.        ],
       [ 3.52740655,  2.14150272,  4.91331037,  1.        ],
       [ 3.90036016,  2.51445633,  5.28626398,  1.        ],
       [ 3.32921542,  1.9433116 ,  4.71511925,  1.        ],
       [ 2.55965139,  1.17374756,  3.94555521,  1.        ],
       [ 3.19253403,  1.80663021,  4.57843786,  1.        ],
       [ 1.96654953,  0.58064571,  3.35245336,  1.        ],
       [ 3.06105266,  1.67514883,  4.44695648,  1.        ],
       [ 3.04509584,  1.65919202,  4.43099967,  1.        ],
       [ 4.31985206,  2.93394824,  5.70575589,  1.        ],
       [ 2.78412884,  1.39822501,  4.17003266,  1.        ],
       [ 4.29800107,  2.91209724,  5.68390489,  1.        ],
       [ 3.24314385,  1.85724003,  4.62904768,  1.        ],
       [ 3.23501665,  1.84911282,  4.62092047,  1.        ],
       [ 3.82121344,  2.43530962,  5.20711727,  1.        ],
       [ 3.79165134,  2.40574752,  5.17755517,  1.        ],
       [ 4.02561175,  2.63970793,  5.41151558,  1.        ],
       [ 3.58370386,  2.19780004,  4.96960769,  1.        ],
       [ 2.07816926,  0.69226544,  3.46407309,  1.        ],
       [ 2.03592137,  0.65001755,  3.4218252 ,  1.        ],
       [ 2.11000338,  0.72409956,  3.49590721,  1.        ],
       [ 2.36511892,  0.9792151 ,  3.75102275,  1.        ],
       [ 2.54766344,  1.16175961,  3.93356726,  1.        ],
       [ 3.32621431,  1.94031049,  4.71211814,  1.        ],
       [ 4.1312444 ,  2.74534058,  5.51714823,  1.        ],
       [ 2.47832421,  1.09242039,  3.86422804,  1.        ],
       [ 2.73456516,  1.34866133,  4.12046898,  1.        ],
       [ 3.01062978,  1.62472596,  4.39653361,  1.        ],
       [ 1.98022227,  0.59431844,  3.36612609,  1.        ],
       [ 2.54736365,  1.16145983,  3.93326748,  1.        ],
       [ 2.34329693,  0.9573931 ,  3.72920075,  1.        ],
       [ 3.6893514 ,  2.30344757,  5.07525522,  1.        ],
       [ 2.73055316,  1.34464934,  4.11645699,  1.        ],
       [ 3.00831459,  1.62241076,  4.39421841,  1.        ],
       [ 2.51669702,  1.13079319,  3.90260084,  1.        ]]),

‘Decision‘: ‘There are 95.0 confidence intervals that contain the true mean (3), that is 0.95 percent of the total CIs‘}









































































































































































































以上是关于Python Numpy的主要内容,如果未能解决你的问题,请参考以下文章

从numpy python中的稀疏矩阵生成密集矩阵

在 Numpy Python 中将一维数组附加到二维数组

按日期分隔数据框并计算数学模型 Numpy Python

scikits audiolab安装错误

百度飞桨(PaddlePaddle)-数字识别

如何使用 numpy python 更改 SVD 的顺序