人工智能学习联盟免费课程——案例七:模拟掷骰子
2019-03-24 22:39
295 查看
目录
案例7 模拟掷骰子
功能1.0 模拟和统计
模拟掷骰子并且记录频数和频率
生成随机数的方法:
- choice() 从列表中随机返回一个值
- sample(,k) 从列表中随机抽取k个值
- random模块的一系列ran函数
import numpy as np import pandas as pd
enumerate 遍历列表,返回每个元素的索引和值
#模拟掷骰子 def roll_dic(): roll = np.random.randint(1,7) return roll
#定义主函数 def main(): total_times = 10000 #初始化列表 result_list = [0] * 6 for i in range(total_times): roll = roll_dic() for j in range(1,7): if roll == j: result_list[j-1] += 1 for i,x in enumerate(result_list): print('点数{}的次数:{},频率:{}'.format(i + 1,x,x / total_times))
main()
点数1的次数:1644,频率:0.1644 点数2的次数:1633,频率:0.1633 点数3的次数:1664,频率:0.1664 点数4的次数:1708,频率:0.1708 点数5的次数:1672,频率:0.1672 点数6的次数:1679,频率:0.1679
功能2.0 同时模拟两个骰子
- 借助字典来储存模拟结果
- 借助zip()函数来生成字典
def main(): total_times = 10000 #初始化列表 result_list = [0] * 11 roll_list = list(range(2,13)) #将键值对合并 roll_dict = dict(zip(roll_list,result_list)) for i in range(total_times): roll1 = roll_dic() roll2 = roll_dic() for j in range(2,13): if (roll1 + roll2) == j: roll_dict[j] += 1 #i是字典的键,点数和;x是字典的值,点数和出现的次数 for i,x in roll_dict.items(): print('点数{}的次数:{},频率:{}'.format(i,x,x / total_times))
main()
点数2的次数:274,频率: 20000 0.0274 点数3的次数:532,频率:0.0532 点数4的次数:865,频率:0.0865 点数5的次数:1109,频率:0.1109 点数6的次数:1393,频率:0.1393 点数7的次数:1572,频率:0.1572 点数8的次数:1389,频率:0.1389 点数9的次数:1101,频率:0.1101 点数10的次数:869,频率:0.0869 点数11的次数:590,频率:0.059 点数12的次数:306,频率:0.0306
功能3.0 结果可视化
matplotlib模块
from matplotlib import pyplot as plt
def main(): total_times = 1000 #记录掷骰子的结果 roll1_list = [] roll2_list = [] for i in range(total_times): roll1 = roll_dic() roll2 = roll_dic() roll1_list.append(roll1) roll2_list.append(roll2) #可视化 x = range(1,total_times + 1) plt.scatter(x,roll1_list,alpha=0.1) plt.scatter(x,roll2_list,alpha=0.1) plt.show()
main()
功能4.0 简单的数据统计和分析
- 直方图
def main(): total_times = 100000 #记录掷骰子的结果 roll_list = [] for i in range(total_times): roll1 = roll_dic() roll2 = roll_dic() roll_list.append(roll1 + roll2) #可视化 plt.hist(roll_list,bins = range(2,14),density = True,edgecolor = 'black',width = 1) plt.title('骰子点数统计图') plt.xlabel('点数') plt.ylabel('频率') plt.show() #因为函数更新,现在用density代替normed参数
main()
#默认设置中的字体不支持中文输出,需要重新设置 plt.rcParams['font.sans-serif'] = ['SimHei'] #有时负号也会存在问题 plt.rcParams['axes.unicode_minus'] = False
main()
功能5.0 使用科学计算库简化程序
def main(): total_times = 10000 #直接借助numpy生成随机数矩阵 roll1_arr = np.random.randint(1,7,total_times) roll2_arr = np.random.randint(1,7,total_times) roll_arr = roll1_arr + roll2_arr #np中的可视化 hist , bins =np.histogram(roll_arr,bins = range(2,14)) print(hist,'\n',bins) #修改坐标标签 tick_labels = ['2点','3点','4点','5点','6点','7点', '8点','9点','10点','11点','12点'] tick_pos = np.arange(2,14) + 0.5 plt.xticks(tick_pos,tick_labels) plt.hist(roll_arr,bins = range(2,14),density = True,edgecolor = 'black',linewidth = 1,rwidth = 0.8) plt.title('骰子点数统计图') plt.xlabel('点数') plt.ylabel('频率') plt.show()
main()
[ 293 542 878 1098 1356 1713 1359 1141 781 580 259] [ 2 3 4 5 6 7 8 9 10 11 12 13]
课后思考
掷3个骰子的可视化
def main(): total_times = 10000 roll1_arr = np.random.randint(1,7,total_times) roll2_arr = np.random.randint(1,7,total_times) roll3_arr = np.random.randint(1,7,total_times) roll_arr = roll1_arr + roll2_arr + roll3_arr tick_labels = ['3点','4点','5点','6点','7点', '8点','9点','10点','11点','12点', '13点','14点','15点','16点','17点','18点'] tick_pos = np.arange(3,20) + 0.5 plt.xticks(tick_pos,tick_labels) plt.hist(roll_arr,bins = range(3,20),density = True,edgecolor = 'black',linewidth = 1,rwidth = 0.8) plt.title('骰子点数统计图') plt.xlabel('点数') plt.ylabel('频率') plt.show()
main()
相关文章推荐
- 人工智能学习联盟免费课程——案例八:城市空气质量指数计算
- 《From Zero to Hero – 从1000个代码案例中学习人工智能和大数据》课程
- 人工智能免费学习!想了解的进来看看
- 明德扬视频分享--点拨FPGA课程 100多个案例免费学
- 福利 | Intel发布AI免费系列课程3部曲:机器学习基础、深度学习基础以及TensorFlow基础
- 计算机专业相关课程学习资料大汇总 优质学习资料我的百度网盘免费下载
- 北美18名校的数据挖掘,数据分析,人工智能及机器学习课程汇总
- Java编程开发学习路线图(附所有免费课程+在线自测)
- 送你一份深度学习10大在线免费课程资源!
- 学习队列、栈的经典案例--Re:停车场管理模拟修改版
- 我们计划免费招收300个学生学习人工智能专业
- 神经网络,机器学习,算法,人工智能等 30 门免费课程
- 软件开发嵌入式方向+ ACM程序设计/C语言/算法与数据结构+ C++/C#语言+汇编语言+人工智能 学习资料免费下载
- 北美18名校的数据挖掘,数据分析,人工智能及机器学习课程汇总
- 大数据,人工智能,深度学习,机器学习课程收集
- 给iPhone应用开发的有志者的100个免费的课程和学习指南(100 Free Courses & Tutorials for Aspiring iPhone App Developers)
- 北美+德国18名校的数据挖掘、数据分析、人工智能及机器学习课程资源汇总
- 人工智能——电脑模拟人类学习
- 人工智能如何模拟动物大脑实现连续学习
- [人工智能]北美18名校的数据挖掘,数据分析,人工智能及机器学习课程汇总