Data Distribution

-

Data Distribution

Sebelumnya dalam tutorial ini kami telah bekerja dengan jumlah data yang sangat kecil dalam contoh kami, hanya untuk memahami konsep yang berbeda.

Di dunia nyata, kumpulan data jauh lebih besar, tetapi mengumpulkan data dunia nyata bisa jadi sulit, setidaknya pada tahap awal proyek.

How Can we Get Big Data Sets?

Untuk membuat kumpulan data besar untuk pengujian, kami menggunakan modul Python NumPy, yang dilengkapi dengan sejumlah metode untuk membuat kumpulan data acak, dari berbagai ukuran.

Contoh
Buat array yang berisi 250 float acak antara 0 dan 5:
import numpy

x = numpy.random.uniform(0.0, 5.0, 250)

print(x)

Histogram

Untuk memvisualisasikan kumpulan data kita dapat menggambar histogram dengan data yang kita kumpulkan.

Kami akan menggunakan modul Python Matplotlib untuk menggambar histogram.

Contoh
Menggambar histogram:
import numpy
import matplotlib.pyplot as plt

x = numpy.random.uniform(0.0, 5.0, 250)

plt.hist(x, 5)
plt.show()

Result 


Histogram Explained 

Kami menggunakan array dari contoh di atas untuk menggambar histogram dengan 5 batang.

Bilah pertama menunjukkan berapa banyak nilai dalam array antara 0 dan 1.

Bilah kedua menunjukkan berapa banyak nilai antara 1 dan 2.

Dll.

Yang memberi kita hasil ini:

52 nilai antara 0 dan 1
48 nilai antara 1 dan 2
49 nilai antara 2 dan 3
51 nilai antara 3 dan 4
50 nilai antara 4 dan 5

Note: Nilai array adalah angka acak dan tidak akan menampilkan hasil yang sama persis di komputer Anda.

Big Data Distributions

Array berisi 250 nilai tidak dianggap terlalu besar, tetapi sekarang Anda tahu cara membuat kumpulan nilai acak, dan dengan mengubah parameter, Anda dapat membuat kumpulan data sebesar yang Anda inginkan.

Contoh
Buat array dengan 100.000 angka acak, dan tampilkan menggunakan histogram dengan 100 batang:
import numpy
import matplotlib.pyplot as plt

x = numpy.random.uniform(0.0, 5.0, 100000)

plt.hist(x, 100)
plt.show()

Komentar

Posting Komentar

Postingan populer dari blog ini

NumPy Array Search

-
Gambar
  Searching Arrays Kita dapat mencari array untuk nilai tertentu, dan mengembalikan index yang cocok. Untuk mencari array, gunakan where() . Contoh Temukan index dimana nilainya adalah 4. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ,  4 ,  5 ,  4 ,  4 ]) x =   np.where(arr ==  4 ) print (x) Contoh diatas akan mengembalikan Tuple: (array([3, 5, 6]),) Yang artinya nilai 4 terdapat pada index 3, 5, dan 6. Contoh Temukan index dimana nilainya genap. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ,  4 ,  5 ,  6 ,  7 ,  8 ]) x =   np.where(arr% 2  ==  0 ) print (x) Contoh Temukan index dimana nilainya ganjil. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ,  4 ,  5 ,  6 ,  7 ,  8 ]) x =   np.where(arr% 2  ==  1 ) print (x) Search Sorted  Ada metode yang disebut searchsorted() yang mela...
Baca selengkapnya

NumPy Array Split

-
Gambar
  Splitting NumPy Arrays Splitting/Pemisahan adalah operasi kebalikan dari Joining. Bergabung/Joining menggabungkan beberapa array menjadi satu dan memisahkan memecah satu array menjadi banyak. Kita menggunakan array_split() untuk memisahkan array, kita memberikan array yang ingin kita bagi dan jumlah pemisahan. Contoh Bagi array menjadi 3 bagian. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ,  4 ,  5 ,  6 ]) newarr =   np.array_split(arr,  3 ) print (newarr) Note: Nilai yang dikembalikan adalah array yang berisi 3 array. Jika array memiliki lebih sedikit elemen dari yang dibutuhkan, array akan menyesuaikan dari akhir. Contoh Bagi array menjadi 4 bagian. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ,  4 ,  5 ,  6 ]) newarr =   np.array_split(arr,  4 ) print (newarr) Note: Kita juga memiliki metode split() tersedia tetapi tidak akan menyesuaikan elemen ketika elemen ku...
Baca selengkapnya

NumPy Array Iterating

-
Gambar
  Iterating Array Iterating/iterasi berarti menelusuri elemen satu per satu. saat kita berurusan dengan array multi-dimensi di numpy, kita bisa melakukan ini menggunakan for loop dasar Python. Jika kita mengulangi/loop pada array 1-D, ia akan melewati setiap elemen satu per satu. Contoh  Iterasi pada elemen array 1-D berikut. import  numpy  as  np arr = np.array([ 1 ,  2 ,  3 ]) for  x  in  arr:    print (x) Iterating 2-D Arrays Dalam array 2-D itu akan melewati semua baris. Contoh Lakukan iterasi pada elemen array 2D berikut. import  numpy  as  np arr = np.array([[ 1 ,  2 ,  3 ], [ 4 ,  5 ,  6 ]]) for  x  in  arr:    print (x) Jika kita iterasi pada array n -D maka akan melewati dimensi n-1 satu per satu. Untuk mengembalikan nilai aktual, skalar, kita harus mengulangi/loop array di setiap dimensi. Contoh Iterasi pada  setiap elemen skalar dari array 2-D. import ...
Baca selengkapnya