为什么numpy.random.normal在每一次for循环中值一样

`numpy.random.normal`函数是用来产生服从正态分布的随机数的，它的参数包括平均值、标准差和样本数。如果你在每次循环中只传入相同的参数，那么它产生的随机数就会是一样的。解决这个问题的方法是在每次循环中使用不同的参数，例如可以使用时间戳来生成不同的种子，然后传入`numpy.random.seed`函数中，使得每次循环中生成的随机数序列都不同。示例代码如下：

import numpy as np
import time

for i in range(10):
    np.random.seed(int(time.time()))
    x = np.random.normal(0, 1, 10)
    print(x)

在上面的示例代码中，我们使用了当前时间的时间戳作为随机数种子，保证了每次循环中生成的随机数都是不同的。

相关问题

python在箱线图中标注最大、最小、中值

在Python中，可以使用Matplotlib库绘制箱线图，并在图中标注最大、最小、中值。以下是一个例子：

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
data = np.random.normal(size=100)

# 绘制箱线图
fig, ax = plt.subplots()
ax.boxplot(data)

# 获取最大、最小、中值
max_val = np.max(data)
min_val = np.min(data)
median_val = np.median(data)

# 在图中标注最大、最小、中值
ax.annotate('Max', xy=(1, max_val), xytext=(1.05, max_val))
ax.annotate('Min', xy=(1, min_val), xytext=(1.05, min_val))
ax.annotate('Median', xy=(1, median_val), xytext=(1.05, median_val))

# 显示图形
plt.show()

在此例子中，我们首先生成了100个随机数，然后使用Matplotlib的`boxplot`函数绘制箱线图。然后，我们使用NumPy库的`max`、`min`和`median`函数获取最大、最小和中值。最后，我们使用`annotate`函数在图中标注这些值。

(2)生成代码，实现图像分别添加椒盐噪声与乘性噪声，手写实现3*3窗口均值滤波与中值滤波，并比 较两种方法在不同噪声下的去噪效果。提示：嵌套使用for循环语句

为了手写实现图像的椒盐噪声、乘性噪声的添加，以及3x3窗口的均值滤波和中值滤波，我们可以使用Python的PIL库处理图片，numpy处理数组运算。以下是部分代码示例：

from PIL import Image
import numpy as np

# 加载图像
def load_image(file_path):
    return Image.open(file_path).convert('L')  # 黑白图像处理

# 添加椒盐噪声
def add_salt_pepper_noise(image, probability=0.05):
    noisy = np.array(image)
    salt_mask = np.random.rand(*noisy.shape) < probability
    pepper_mask = np.invert(salt_mask)
    noisy[salt_mask] = 255  # 将随机位置设为最大亮度
    noisy[pepper_mask] = 0   # 将随机位置设为最小亮度
    return Image.fromarray(noisy)

# 乘性噪声
def add_multiplicative_noise(image, factor=0.5):
    noisy = np.array(image)
    noisy *= np.random.normal(1, factor, size=noisy.shape)  # 随机乘以一个小于1的因子
    return Image.fromarray(np.uint8(noisy))

# 3x3窗口均值滤波
def mean_filter(image, kernel_size=3):
    padded_img = np.pad(image, pad_width=(kernel_size // 2, kernel_size // 2), mode='edge')
    filtered = np.zeros_like(padded_img)
    for i in range(kernel_size, len(padded_img) - kernel_size + 1):
        for j in range(kernel_size, len(padded_img[0]) - kernel_size + 1):
            filtered[i, j] = np.mean(padded_img[i:i+kernel_size, j:j+kernel_size])
    return filtered

# 中值滤波
def median_filter(image, kernel_size=3):
    padded_img = np.pad(image, pad_width=(kernel_size // 2, kernel_size // 2), mode='edge')
    filtered = np.zeros_like(padded_img)
    for i in range(kernel_size, len(padded_img) - kernel_size + 1):
        for j in range(kernel_size, len(padded_img[0]) - kernel_size + 1):
            filtered[i, j] = np.median(padded_img[i:i+kernel_size, j:j+kernel_size])
    return filtered

# 使用以上函数对原始图像进行操作并比较结果
original_image = load_image("input.jpg")
salt_and_pepper_noisy = add_salt_pepper_noise(original_image)
multiplicative_noisy = add_multiplicative_noise(original_image)

filtered_mean = mean_filter(salt_and_pepper_noisy)
filtered_median = median_filter(salt_and_pepper_noisy)

# 可能需要将过滤后的图像保存或显示出来，以便对比
mean_filtered_image = Image.fromarray(filtered_mean)
median_filtered_image = Image.fromarray(filtered_median)

# 比较结果
# ...