一维高斯分布python绘图

以下是一维高斯分布的Python绘图代码：

import numpy as np
import matplotlib.pyplot as plt

# 生成一维高斯分布数据
mean = 0
variance = 1
sigma = np.sqrt(variance)
x = np.linspace(-5, 5, 100)
y = np.exp(-(x - mean) ** 2 / (2 * variance)) / (sigma * np.sqrt(2 * np.pi))

# 绘制一维高斯分布图像
plt.plot(x, y)
plt.title('One-dimensional Gaussian Distribution')
plt.xlabel('x')
plt.ylabel('Probability density')
plt.show()

该代码首先使用numpy生成一维高斯分布数据，然后使用matplotlib绘制图像。其中，mean表示均值，variance表示方差，sigma表示标准差，x表示横坐标，y表示纵坐标，np.exp表示自然指数函数，np.sqrt表示平方根函数，np.pi表示圆周率。

相关问题

一维高斯混合模型python

一维高斯混合模型是一种用于对数据进行建模的统计模型，它假设数据是由多个高斯分布组成的混合物。在Python中，你可以使用scikit-learn库来实现一维高斯混合模型。

首先，你需要导入必要的库：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.mixture import GaussianMixture

然后，你可以定义一维数据集：

data = np.array([1, 1.5, 2, 3, 3.5, 4.5, 5, 6, 7, 7.5])

接下来，你可以使用GaussianMixture类来拟合一维高斯混合模型，并预测每个样本的概率密度：

gmm = GaussianMixture(n_components=2)
gmm.fit(data.reshape(-1, 1))
probabilities = gmm.score_samples(data.reshape(-1, 1))

在上面的代码中，n_components参数指定了高斯混合模型的组成成分数量。你可以根据数据的特点来选择合适的值。

最后，你可以绘制数据分布和拟合的高斯混合模型：

x = np.linspace(data.min(), data.max(), 100)
y = np.exp(gmm.score_samples(x.reshape(-1, 1)))

plt.hist(data, bins=10, density=True, alpha=0.5)
plt.plot(x, y, '-r')
plt.show()

以上代码中，我们使用hist函数绘制了数据的直方图，并使用plot函数绘制了拟合的高斯混合模型。你可以根据需要调整绘图的参数。

希望以上代码对你有帮助！如果你有任何其他问题，请随时提问。

python一维高斯滤波的演示代码

Python一维高斯滤波的演示代码如下：

import numpy as np
import matplotlib.pyplot as plt

def gaussian_kernel(size, sigma=1):
    """生成一维高斯核"""
    x = np.arange(-size//2 + 1, size//2 + 1)
    kernel = np.exp(-(x/sigma)**2/2)
    return kernel / np.sum(kernel)

def convolve(signal, kernel):
    """一维卷积"""
    size = kernel.size
    half = size // 2
    signal = np.pad(signal, half, mode='edge')
    conv = np.zeros_like(signal)
    for i in range(half, signal.size-half):
        conv[i] = np.sum(signal[i-half:i+half+1]*kernel)
    return conv[half:-half]

# 生成原始信号
x = np.linspace(-10, 10, num=1000)
y = np.sin(x) + np.random.randn(x.size)/10

# 高斯滤波
kernel = gaussian_kernel(21, sigma=3)
y_filtered = convolve(y, kernel)

# 绘图
fig, ax = plt.subplots(2, 1, figsize=(8, 6))
ax.plot(x, y, label='Original')
ax.legend()
ax.plot(x, y_filtered, label='Filtered')
ax.legend()
plt.show()

在这个代码中，我们定义了两个函数：`gaussian_kernel`和`convolve`。`gaussian_kernel`用于生成一维高斯核，`convolve`用于对信号进行一维卷积。我们使用`numpy`和`matplotlib`库来实现代码的具体逻辑。

在这个示例中，我们首先生成了一个包含噪声的正弦信号，然后使用`gaussian_kernel`生成一个大小为21、标准差为3的高斯核，并对信号进行一维卷积，得到滤波后的信号。最后，我们将原始信号和滤波后的信号在同一张图上绘制出来，以便于对比。