matplotlib.pyplot 作业

原创于 2018-05-27 20:50:16 发布 · 270 阅读

CC 4.0 BY-SA版权

本文通过三个实例展示了如何使用Python进行数据生成、绘图及简单的数据分析。首先，利用numpy生成函数绘制了正弦函数的图形；接着，通过随机生成的数据集进行线性回归分析并比较真实系数与估计系数；最后，演示了正态分布数据的直方图绘制与概率密度函数的对比。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Exercise 11.1

from numpy import *
import matplotlib.pyplot as plt

x = linspace(0, 2, 200)
y = power(sin(x - 2), 2) * exp(0-x*x)
plt.plot(x, y, 'r-', label = '$x ^ 2$')
plt.xlabel('x label')
plt.ylabel('y label')
plt.title('Exercises 11.1')
plt.legend()
plt.savefig('exp.png')

Exercise 11.2

import numpy as np
import matplotlib.pyplot as plt

X = np.random.random((20,10))
b = np.random.random((10, 1))
z = np.random.normal(size = (20,1))
y = np.dot(X, b) + z

X = np.mat(X)
est_b = np.dot(X.I, y)

plt.plot(b, 'rx', label = 'True coefficients')
plt.plot(est_b, 'bo', label = 'Estimated coefficients')
plt.ylim(-2, 2)
plt.ylabel('value')
plt.xlabel('index')
plt.legend()
#plt.show()
plt.savefig('pra.png')


Exercise 11.3
import numpy as np
from scipy.stats import norm
import matplotlib.pyplot as plt

z = norm.rvs(size = 1000)
x = np.linspace(-3,3, 100)
plt.plot(x, norm.pdf(x), 'r-')
plt.hist(z, bins = 25, density = True)
plt.savefig('hist.png')