import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
plt.rc("figure", figsize=(10,6))
On rappellera l'utilisation de la combinaison shift
+tab
après une fonction pour voir rapidement les options disponibles
valeurs = np.random.binomial(30, 0.5, size=(50))
valeurs
Attention pour obtenir les fréquences on utilisera la syntaxe suivante
abcisses, hauteur = np.unique(valeurs, return_counts=True)
plt.bar(abcisses, hauteur)
valeurs = np.random.rand(5,6)
valeurs
valeurs = np.random.random(size=(10, 10))
valeurs
Pour les histogrammes on fera attention à l'option normed
pour normaliser le résultat.
plt.hist(valeurs.flatten(), normed=True)
plt.hist(valeurs.flatten(), cumulative=True)
valeurs = np.random.uniform(-1, 5, size=(200))
plt.hist(valeurs, normed=True)
plt.hist(valeurs, cumulative=True, normed=True)
valeurs = np.random.randint(-5, 6, size=(5,5))
valeurs
Attention la plus haute valeur indiquée est en fait exclue
valeurs = np.sin(np.linspace(-np.pi, np.pi, 50))
choix = np.random.choice(valeurs, size=(30), replace=True)
abc, haut = np.unique(choix, return_counts=True)
plt.bar(abc, haut, width=np.pi/100)
valeurs = np.arange(10)
valeurs
np.random.permutation(valeurs)
valeurs
valeurs = np.random.randint(-2, 3, size=(15))
valeurs
np.unique(valeurs, return_counts=True)
np.random.shuffle(valeurs)
valeurs
np.unique(valeurs, return_counts=True)
valeurs = np.random.normal(-5, 12, size=(200))
_ = plt.hist(valeurs)
On va plutôt utiliser la libraire seaborn
pour un affichage plus représentatif via une estimation par noyau.
import seaborn as sns
sns.kdeplot(valeurs)
#
valeurs = np.random.poisson(4.0, size=(400))
abc, haut = np.unique(valeurs, return_counts=True)
plt.bar(abc, haut)
sns.kdeplot(valeurs)
valeurs = np.random.exponential(1.0, size=(100))
sns.kdeplot(valeurs)