Scipy Gamma

Forvirret om hvordan man løser de komplekse vitenskapelige og optimaliseringsproblemene med Python -programmeringsspråket? Vel, legg stresset ditt til side og bare utforske Scipy -biblioteket. Det hjelper deg å skrive den komplekse koden og optimalisere lange programmer med sine effektive innebygde funksjoner. Scipy er et open source-bibliotek levert av Python-programmeringsspråket for å løse ethvert problem som er relatert til ingeniørfag, matematikk osv. Det tilbyr også datamanipulering og visualiseringsstrategier for dataanalytikere med kommandoer på høyt nivå. Dessuten er det bygget på numpy utvidelse. Derfor utvider det funksjonalitetene i det numpy biblioteket. Denne artikkelen er bygget rundt og forklarer Scipy Gamma. Ved hjelp av eksempler vil vi vise hvordan du enkelt kan innlemme scipy gamma i programmene dine.

Hva er Scipy Gamma i Python -programmeringsspråk?

Gammaen levert av Scipy Library er en kontinuerlig tilfeldig variabel, en forekomst av RV_Continnuous -klassen. Gamma er et objekt som er arvet fra samlingen av generiske metoder for RV_Continuous -klassen. Kontinuerlige tilfeldige variabler som har en positiv og skjev distribusjon er ofte beskrevet ved bruk av gamma -distribusjonen. Gamma () -funksjonen er inkludert i scipy.Spesiell modul. Det brukes til å beregne gamma av den spesifiserte matrisen. Når det gjelder den generelle arbeidet med Gamma () -funksjonen, er det den vanlige fabrikkfunksjonen. Det kan enkelt brukes i Python -programmet ved å følge den gitte syntaks:

Gamma () -funksjonen tar bare en parameter som er en rekke virkelige eller komplekse tall. Det beregner gamma av de gitte dataene og returnerer en skalar av Ndarray som resultat. La oss se noen eksempler på eksempler for å forstå hvordan Gamma () -funksjonen fungerer i et Python -program.

Eksempel 1:

Vi vil gi et veldig grunnleggende eksempel her for å hjelpe deg med å forstå konseptet med Gamma () -metoden i Python -programmering. Du kan følge de samme trinnene for å skrive din tilpassede kode som angitt i følgende prøvekode:

fra Scipy Import Special
arr = [2, 4, 8, 5]
Print ("The Array inneholder:", ARR)
g = spesiell.Gamma (ARR)
trykk ("Gammaen til matrisen er:", g)

Hvis du ser på koden, brukes den første linjen til å importere Scipy -biblioteket sammen med spesialpakken. Det er veldig viktig å importere bibliotekene og pakkene i programmet for å bruke tilhørende funksjoner. Gamma () -funksjonen er assosiert med Scipy -biblioteket og spesielle pakker, slik at de må inkluderes i programmet for å bruke Gamma () -funksjonen. En matrise som inneholder 4 reelle tall initialiseres i ARR -variabelen. "ARR" -variabelen som inneholder dataene sendes til spesialen.gamma () -funksjon for å finne gamma -distribusjonen av de gitte dataene. En annen utskriftserklæring brukes til å vise resultatet av spesialen.Gamma () -funksjonen på terminalen.

Eksempel 2:

I det forrige eksemplet ga vi de reelle talldataene til Gamma () -funksjonen for å sjekke funksjonaliteten. Nå gir vi et komplekst tall til Gamma () -funksjonen for å sjekke resultatet. Som vi vet, kan Gamma () -funksjonen fungere med både virkelige og komplekse tall. Vi tester det med både virkelige og komplekse tall. La oss se følgende kode:

fra Scipy Import Special
a = 2.3+2J
trykk ("Det komplekse tallet er:", a)
g = spesiell.gamma (a)
Trykk ("Gammaen til det komplekse tallet er:", G)

Når det gjelder koden, er kodelinjene de samme som de som ble gitt i forrige eksempel; Vi endret bare dataene. En rekke reelle tall brukes i forrige eksempel. Nå bruker vi et komplekst tall. Se følgende resultat av Gamma () -funksjonen:

Eksempel 3:

Nå som vi testet gamma () -funksjonen med både reelle og komplekse tall, la oss bruke dens funksjoner. Gamma () -funksjonen gir også ytterligere enkle funksjoner som skal brukes på dataene for å ha en mer nøyaktig gamma -distribusjon. Gamma -funksjonen har utvidelser av PPF, PDF, Quantile, CDF, Logpdf, Fit, etc. funksjoner. I dette eksemplet vil vi demonstrere tre av disse funksjonene slik at du kan forstå hvordan du kan utvide gamma -funksjonen med disse metodene. Se den gitte koden i følgende skjermbilde:

Importer numpy som NP
Fra scipy.Statistikk importerer gamma
Importer matplotlib.Pyplot som Plt
a = 0.5
xx = np.Linspace (2, -1, 200)
gamma_pdf = Gamma.pdf (xx, a, loc = 0, skala = 1)
Gamma_CDF = Gamma.CDF (xx, a, 0, 1)
gamma_logpdf = Gamma.logpdf (xx, a, loc = 0, skala = 1)
plt.plot (xx, pdf_gamma)
plt.xlabel ('Dataverdi')
plt.Ylabel ('PDF Gamma')
plt.Tittel ("PDF Gamma Distribution")
plt.forestilling()
plt.plot (xx, gamma_cdf)
plt.xlabel ('Dataverdi')
plt.Ylabel ('CDF Gamma')
plt.Tittel ("CDF Gamma Distribution")
plt.forestilling()
plt.plot (xx, gamma_logpdf)
plt.xlabel ('Dataverdi')
plt.ylabel ('logpdf gamma')
plt.Tittel ("Logpdf Gamma Distribution")
plt.forestilling()

Tre biblioteker - Numpy, Scipy og Matplotlib importeres til programmet ved hjelp av importkommandoen. Sammen med dem importeres de spesielle pyplotpakkene for å bruke gamma- og PLT -funksjonene. De neste fem linjene brukes til å gi dataene for PDF-, CDF- og LOGPDF -funksjonene. Den generelle syntaksen for alle gamma -metodene er som følger:

gamma.Metode_name (data, beliggenhet, størrelse, øyeblikk, skala)

Dataene som skal distribueres er gitt i "data" -parameteren. "Plassering" -parameteren tar gjennomsnittet som er som standard, 0. Distribusjonens form bestemmes av "størrelse" -parameteren. Gjennomsnittet, kurtose og standardavvik beregnes ved bruk av "Moment" -parameteren. Til slutt definerer parameteren "skala" standardavviket, og det er 1 som standard.

I forrige kode demonstrerte vi tre metoder for Gamma - CDF, PDF og LOGPDF. Vi ga de samme dataene til alle funksjonene for å se de forskjellige resultatene av hver metode. Grafen til hver funksjon vises separat ved hjelp av PLT -funksjonen. For å plotte grafen, brukes "plott" -kommandoen. For å gi etiketten til x-aksen og y-aksen brukes henholdsvis xlabel () og ylabel () kommandoer. Og for tittelen brukes tittelen () -kommandoen og kommandoen show () brukes til å få alt på displayet. Se grafene i følgende illustrasjoner.

Den første utgangsgrafen er av gamma.CDF () -metode. Gammaen.CDF () -metode brukes til å beregne den kumulative fordelingen av de gitte dataene.

Den andre grafen er illustrasjonen av gamma.PDF () -funksjon. Gammaen.PDF () -funksjon brukes til å beregne sannsynlighetstettheten til de spesifiserte dataene.

Den siste grafen er illustrasjonen av gamma.logpdf () -funksjon. Gammaen.LogPDF () -metoden brukes til å beregne loggen for sannsynlighetstettheten til de gitte dataene.

Konklusjon

Denne artikkelen fungerer som en rask oversikt over Gamma -funksjonen til Scipy Library. Gamma -funksjonen brukes til å finne gamma -fordelingen av de gitte dataene som har en positiv og skjev distribusjon. Vi brukte noen enkle og interessante eksempler for å lære hvordan gamma -funksjonen brukes i et Python -program. Vi innlemmet også PLT -funksjonen for å vise grafene som er opprettet av gamma -distribusjonene. Ved hjelp av eksempler prøvde vi å veilede deg illustrasjonene om hvordan du kan beregne og plotte Gamma Distribution Grafer i Python -programmer.