Python 机器学习 数据分布(Data Distribution)

1、数据分布(Data Distribution)

在本教程的前面，我们仅在示例中使用了少量数据，只是为了了解不同的概念。

在现实世界中，数据集要大得多，但至少在项目的早期阶段，很难收集现实世界的数据。

我们如何获取大数据集？

为了创建用于测试的大数据集，我们使用Python模块NumPy，该模块附带了许多创建任意大小的随机数据集的方法。

例如：

创建一个包含250个介于0和5之间的随机浮点数的数组：

import numpy

x = numpy.random.uniform(0.0, 5.0, 250)

print(x)

2、直方图

为了可视化数据集，我们可以对收集到的数据绘制直方图。

我们将使用Python模块Matplotlib绘制直方图。

在我们的Matplotlib教程中了解Matplotlib模块。

例如： 

绘制直方图：

import numpy
import matplotlib.pyplot as plt

x = numpy.random.uniform(0.0, 5.0, 250)

plt.hist(x, 5)
plt.show()

Result:

直方图解释

我们使用上例中的数组绘制5条柱状图。

第一栏代表数组中介于0和1之间的值。

第二栏代表1到2之间的数值。

这给了我们这个结果：

• 52个值介于0和1之间
• 48个值介于1和2之间
• 49个值介于2和3之间
• 51个值在3和4之间
• 50个值介于4到5之间

注意：数组值是随机数，在计算机上不会显示完全相同的结果。

3、大数据分布

包含250个值的数组被认为不是很大，但是现在您知道了如何创建一组随机值，并且通过更改参数，可以创建所需大小的数据集。

例如：

创建一个具有100000个随机数的数组，并使用具有100条的直方图显示它们：

import numpy
import matplotlib.pyplot as plt

x = numpy.random.uniform(0.0, 5.0, 100000)

plt.hist(x, 100)
plt.show()