我有两个变量,我们称它们为 x 和 y,绘制时它们是图中分散的蓝点。 我使用 Scipy 中的 curve_fit 对它们进行了拟合。
我想生成(比方说 500000)“平滑” 随机数来复制分布,后跟 x 和 y。
通过“平滑”我的意思是,我不希望像在图如下,红色菱形是我的数据分布,直方图是我生成的随机数。(甚至是数据的波动在这里复制!!!!)。我想要一个“平滑”的直方图。
到目前为止,我尝试的是使用 scipy 中的 curve_fit 来拟合点 x 和 y。所以现在我知道数据分布是什么了。现在我需要创建遵循上述 fit/distribution 的随机数。
P.S 我也试过创建从 0 到 1 的均匀随机数,并试图让点低于拟合曲线,但我不知道怎么做!
请您参考如下方法:
我建议您采用适合的数据分布,然后向其添加一些随机“噪声”,这应该会产生一些仍然遵循您的分布但出于您需要的任何目的而随机化的数据。
下面是一些采用数据分布拟合的代码(在函数 curve 中),然后使用 numpy.random 随机化从中检索的数据。模块。
import numpy as np
import matplotlib.pyplot as plt
from random import random
# I don't have your data but let's assume that this function
# replicates the data distribution you want to work with.
def curve(x):
return 2. * x + 5.
N = 100
x = np.linspace(0,1,100)
y_fit = curve(x)
# margin controls how "noisy" you want your fit to be.
margin = 0.5
noise = margin*(np.random.random(N)-0.5)
y_ran = y_fit + noise
plt.plot(x, y_fit) # Plot the fitted distribution.
plt.plot(x, y_ran, 'rx') # Plot the noisy data.
plt.show()
请注意,这只会创建 100 个随机结果,您可以根据需要修改代码以创建任意数量的结果。
