Bemind
Учебник Python
Учебник Python
  • Python
    • Python Lists
      • Списковые включения в Python (Полное руководство с примерами)
      • Исправление ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Как добавить строку в список в Python
      • Разница между массивами и списками в Python
      • Python: Различия между списками и кортежами
      • Как проверить, пуст ли список в Python
      • Как Итерировать (Циклически Проходить) По Списку в Python
      • Python List sort(): Подробное руководство по сортировке списков
      • Python List Extend: Как добавить несколько элементов в список
      • Python: Найти Индекс Всех Вхождений Элемента в Списке
      • Конвертация списка словарей в Pandas DataFrame
      • Генерация случайных чисел в Python
      • Поиск Индекса в Списке Python: Найти Первое, Последнее или Все Вхождения
      • Добавить в начало списка в Python (Вставить в начало)
      • Найти дубликаты в списке Python
      • Python: Умножение Списков (6 Различных Способов)
      • Python списки: Полный обзор
      • Python: Выбор случайного элемента из списка
      • 4 Способа Очистить Список в Python
      • Объяснение ошибки IndexError в Python: индекс списка выходит за пределы допустимого диапазона
      • Python: Получение индекса максимального элемента в списке
      • Python: Объединение списков – Слияние списков (8 способов)
      • Python: Проверка наличия элемента в списке
      • Python: Проверка наличия элемента в списке
      • Удаление элемента из списка в Python (pop, remove, del, clear)
      • Как перевернуть список в Python (6 способов)
      • Python: Замена элемента в списке (6 различных способов)
      • Python: Удаление дубликатов из списка (7 способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Перемешать Список (Случайное Распределение Элементов Списка в Python)
      • Python: Пересечение двух списков
      • Python: Вычитание двух списков (4 простых способа!)
      • Длина или Размер Списка в Python: 5 Способов Узнать Длину Списка
      • Python: Транспонирование списка списков (5 простых способов!)
      • Python: Разделение списка (Пополам, на части)
      • Python: Комбинации списка (Получить все комбинации списка)
      • Python: Выравнивание списка списков (4 способа)
      • Разница между списками в Python: Нахождение разницы между двумя списками Python
      • Python: Найти среднее значение списка или списка списков
      • Как добавлять элементы в списки в Python – 4 простых способа!
      • Списковые включения в Python (Полное руководство с примерами)
      • 6 способов преобразовать список Python в строку
    • Python Dictionaries
      • Понимание словаря Python (с примерами)
      • Исправляем ValueError: Слишком Много Значений Для Распаковки в Python
      • Как добавить словарь в список в Python
      • Преобразование JSON в словарь Python
      • Полное руководство по вложенным словарям в Python
      • Копирование словаря в Python: Полное руководство
      • Конвертация списка словарей в Pandas DataFrame
      • Поиск дубликатов в списке Python
      • Полный обзор словарей в Python
      • Python: Добавление пары Ключ:Значение в Словарь
      • Python: Сортировка словаря по значениям
      • Слияние Словарей в Python – Комбинирование Словарей (7 Способов)
      • Python: Удаление Дубликатов из Списка (7 Способов)
      • Python: Преобразование словаря в список кортежей (4 простых способа)
      • Python: Красивая Печать Словаря (Dictionary) – 4 Способа
      • Python: Проверка пуст ли словарь (5 способов!)
      • Copy of Python: Проверка пуст ли словарь (5 способов!)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Проверьте, существует ли ключ (или значение) в словаре (5 простых способов)
      • Python: Получение Ключа Словаря с Максимальным Значением (4 Способа)
      • Python: Удаление ключа из словаря (4 разных способа)
      • Как красиво вывести JSON-файл в Python (6 методов)
    • Python Strings
      • Python Капитализация Строк: Руководство по Преобразованию слов в Заглавные
      • Python strip: Как обрезать строку в Python
      • Python Обратная Строка: Руководство по Реверсированию Строк
      • Как Удалить Префикс или Суффикс из Строки в Python
      • Преобразование строки в формат заголовка в Python с помощью str.title()
      • Как добавить строку в список в Python
      • Python String startswith: Проверка, начинается ли строка с подстроки
      • Python String endswith: Проверка того, заканчивается ли строка подстрокой
      • Как удалить первый или последний символ из строки в Python
      • Как исправить: SyntaxError в Python - EOL при сканировании строкового литерала
      • Python String Contains: Проверка Наличия Подстроки в Строке
      • Как проверить, пустая ли строка в Python
      • Python Новая Строка и Как Печатать Без Переноса Строки
      • Как Конкатенировать Строки в Python: Полное Руководство
      • Python: Подсчет слов в строке или файле
      • Как создать список алфавита в Python
      • Python: Конкатенация строки и целого числа (Int)
      • Python: Сортировка строки (4 различных способа)
      • Python zfill и rjust: Добавление нулей в строку в Python
      • Python: Целое в Двоичное (Преобразование целого числа в двоичную строку)
      • Python rfind: Нахождение индекса последней подстроки в строке
      • Python SHA256 хеширование алгоритм: объяснение
      • Python: Усечение числа с плавающей точкой (6 различных способов)
      • Выбор между методами Python isdigit(), isnumeric() и isdecimal()
      • Python: Удаление специальных символов из строки
      • Python Приведение Строки к Нижнему Регистру с помощью .lower(), .casefold(), и .islower()
      • Python программа для проверки, является ли строка палиндромом (6 методов)
      • Python: Найдите все перестановки строки (3 легких способа!)
      • Python: Удаление пунктуации из строки (3 разных способа!)
      • Python: Найти индекс (или все индексы) подстроки в строке
      • Python: Удаление символов новой строки из строки
      • Python: Удаление символа из строки (4 способа)
      • Python: Количество вхождений в строке (4 способа!)
    • Встроенные функции Python
      • abs()
      • ascii()
      • aiter()
      • all()
      • any()
      • anext()
      • bin()
      • bool()
      • breakpoint()
      • bytearray()
      • bytes()
      • callable()
      • chr()
      • classmethod()
      • compile()
      • complex()
      • delattr()
      • dict()
      • dir()
      • divmod()
      • enumerate()
      • eval()
      • exec()
      • filter()
      • float()
      • format()
      • frozenset()
      • getattr()
      • globals()
      • hasattr()
      • hash()
      • help()
      • hex()
      • id()
      • input()
      • int()
      • issubclass()
      • iter()
      • len()
      • list()
      • locals()
      • map()
      • max()
      • memoryview()
      • min()
      • next()
      • object()
      • oct()
      • open()
      • ord()
      • pow()
      • print()
      • property()
      • range()
      • repr()
      • reversed()
      • round()
      • set()
      • setattr()
      • isinstance()
      • slice()
      • zip()
      • type()
      • sorted()
      • staticmethod()
      • str()
      • sum()
      • super()
      • tuple()
      • vars()
      • import()
    • Cобеседования Python. Разбор реальных вопросов.
    • Встроенные методы в Python
  • Учебники по Pandas и Numpy
    • Numpy
      • Функция активации ReLU для глубокого обучения: полное руководство по выпрямленному линейному блоку
      • Как нормализовать массивы NumPy (минимальное-максимальное масштабирование, Z-оценка, L2)
      • NumPy where: Условная обработка элементов массива
      • NumPy linspace: создание равномерно расположенных массивов с помощью np.linspace
      • Как рассчитать векторное произведение в Python
      • Разделение NumPy: Разделение массива NumPy на части
      • NumPy: Лучшие способы применения функции к массиву
      • NumPy full: Создание массивов с заданным значением
      • NumPy clip(): Ограничьте значения массива минимальным и максимальным значениями
      • NumPy cumsum: Расчет кумулятивных сумм массивов NumPy
      • Изучаем функцию np.histogram в NumPy: создаем гистограмму
      • NumPy arange(): Полное руководство (с примерами)
      • Руководство по индексации и срезам массивов NumPy: Полное руководство
      • NumPy argmin(): Получение индекса минимального значения в массивах
      • Выравнивание массива с помощью NumPy flatten
      • Объединение массивов NumPy по различным осям с использованием функции stack
      • Удаление размерности из массивов NumPy с помощью NumPy Squeeze
      • Функция np.repeat() NumPy: Повторение массивов NumPy
      • Использование функции NumPy.exp() для вычисления экспоненты
      • Реализация функции сигмоида на Python
      • NumPy Pad: Использование np.pad() для дополнения массивов и матриц
      • np.argmax(): Как использовать NumPy Argmax
      • NumPy logspace: Понимание функции np.logspace()
      • Использование NumPy Tile для Расположения Массивов
      • NumPy Zeros: Создание массивов и матриц с нулями в NumPy
      • Использование числа Пи в Python (NumPy и Math)
      • Распределение Нормального (Гауссова) Распределения в Numpy (Случайное Нормальное в Numpy)
      • NumPy для Data Science на Python
      • Расчет скалярного произведения с использованием Numpy в Python
      • Расчет натурального логарифма на Python
    • Pandas
      • Python сводные таблицы – Полное руководство
      • Изучение API стиля Pandas
      • Объяснение группировки по нескольким столбцам в Pandas с примерами
      • Удаление индексной колонки DataFrame в Pandas: Руководство с примерами
      • Pandas Quantile: Расчет процентилей в DataFrame
      • Как рассчитать скользящее среднее (среднее арифметическое) в Pandas
      • Руководство по использованию метода fillna в Pandas для работы с отсутствующими данными в DataFrame
      • Pandas unique(): Получение уникальных значений в DataFrame
      • Распакуйте Ваши Данные с Помощью Функции Melt в Pandas
      • Pandas date_range: Как Создать Диапазон Дат в Pandas
      • Сброс индекса в Pandas: как сбросить индекс в Pandas
      • Pandas replace() – Замена значений в DataFrame Pandas
      • Перемещение столбца DataFrame Pandas на позицию (В начало и в конец)
      • Учебное пособие по Python Pandas: полное руководство
      • Pandas: Замена NaN на нули
      • Преобразование DataFrame Pandas в файл Pickle
      • Конвертация Pandas DataFrame в JSON
      • Преобразование DataFrame Pandas в Словарь
      • Преобразование Pandas DataFrame в Список
      • Чтение файлов Parquet в Pandas с помощью pd.read_parquet
      • Pandas dropna(): Удаление отсутствующих записей и столбцов в DataFrame
      • Как Добавить Новый Столбец в DataFrame Pandas
      • Подсчёт уникальных значений в Pandas
      • Отображение всех столбцов и строк в DataFrame Pandas
      • Pandas to_excel: Запись DataFrames в файлы Excel
      • Как использовать Pandas для чтения файлов Excel в Python
      • Преобразование списка словарей в Pandas DataFrame
      • Как добавить/вставить строку в DataFrame Pandas
      • Диаграмма рассеяния в Pandas: Как создать диаграмму рассеяния в Pandas
      • Pandas to_datetime: Преобразование строки Pandas в дату и время
      • Введение в Pandas для Data Science
      • Индексация, Выборка и Присваивание Данных в Pandas
      • Суммирование и Анализ Pandas DataFrame
      • Преобразование столбцов Pandas с помощью map и apply
      • Группировка данных в Pandas с использованием cut и qcut
      • Дата и время в Pandas и Python
      • Очистка и подготовка данных в Pandas и Python
      • Pandas GroupBy: группировка, суммирование и агрегация данных в Python
      • Pandas Дата и Время в Части Даты (месяц, год и т.д.)
      • Pandas: Получение номера строки из DataFrame
      • Вычисление Взвешенного Среднего в Pandas и Python
      • Как перемешать строки Pandas Dataframe в Python
      • Pandas: количество столбцов (подсчет столбцов в DataFrame)
      • Pandas Sum: сложение столбцов и строк DataFrame
      • Pandas Diff: Вычисление Разницы Между Строками Pandas
      • Нормализация столбца или датафрейма Pandas (с использованием Pandas или sklearn)
      • Функция Rank в Pandas: Ранжирование данных в Dataframe (Эквивалент SQL row_number)
      • Pandas Describe: Описательная статистика вашего Dataframe
      • Pandas Shift: Перемещение столбца DataFrame вверх или вниз
      • 7 Способов Выполнения Выборки Данных в Pandas
      • Экспорт DataFrame Pandas в CSV файл – Использование .to_csv()
      • Pandas: Итерация по строкам DataFrame в Pandas
      • Pandas: Преобразование значений столбца в строки
      • Дисперсия в Pandas: Вычисление дисперсии столбца в Pandas Dataframe
      • Pandas: Создание DataFrame из списков (5 способов!)
      • Pandas Rename Index: Как переименовать индекс DataFrame в Pandas
      • Pandas: Подсчёт уникальных значений в объекте GroupBy
      • Pandas: Добавить дни к колонке с датами
      • Среднее в Pandas: Как рассчитать среднее для одной или нескольких колонок
      • Pandas Column to List – Конвертируйте колонку Pandas в список
      • Транспонирование Dataframe в Pandas
      • Python: Разделение DataFrame Pandas
      • Как получить имена столбцов в DataFrame Pandas
      • Pandas: Количество строк в DataFrame (6 способов)
      • Создание пустого DataFrame Pandas и добавление данных
      • Как переименовать столбцы в Pandas DataFrame (с примерами)
      • Изменение порядка столбцов в Pandas: использование метода reindex и метода insert
      • Pandas get_dummies (One-Hot кодирование), объяснение
      • Относительные и Абсолютные Частоты в Python и Pandas
      • Финансовый год – Определение финансового года в Pandas
      • Как сортировать данные в DataFrame Pandas
  • Учебники Matplotlib и Seaborn
    • Seaborn
      • Регрессионные графики в Seaborn с использованием regplot и lmplot
      • Seaborn residplot – Построение остатков линейной регрессии
      • Seaborn jointplot() – Создание совместных графиков в Seaborn
      • Seaborn displot – Распределенческие графики в Python
      • Seaborn ecdfplot – Эмпирические функции накопленного распределения
      • Seaborn rugplot – Визуализация маргинальных распределений
      • Seaborn kdeplot – Создание графиков оценки плотности ядра
      • Seaborn histplot – Создание Гистограмм в Seaborn
      • Seaborn catplot – Визуализация категориальных данных в Python
      • Средняя тенденция для категориальных данных в Seaborn Pointplot
      • Seaborn stripplot: Jitter Plots для распределений категориальных данных
      • Seaborn Countplot – Подсчет категориальных данных в Python
      • Seaborn swarmplot: Bee Swarm Plots для распределения категориальных данных
      • Скрипичные графики Seaborn в Python: Полное руководство
      • Настройка расположения легенд Seaborn, меток, текста и т.д.
      • Тепловая карта Seaborn: Полное руководство
      • Создание многосекционных сеток в Seaborn с помощью FacetGrid
      • Удаление рамки в Seaborn: Как работать с рамкой
      • Заголовки и метки осей в Seaborn: добавление и настройка
      • Как установить Seaborn в Python (Исправление: no module named seaborn)
      • Seaborn relplot – Создание точечных и линейных графиков
      • Полное руководство по созданию точечных диаграмм (scatter plots) в Python с использованием Seaborn
    • Matplotlib
      • Режим Retina в Matplotlib: Улучшение Качества Графиков
      • Как построить функцию в Python с использованием Matplotlib
      • Как создать 3D-диаграммы рассеяния в Matplotlib
      • Как изменить размер шрифта в графике Matplotlib
      • Установка размера маркера в точечных диаграммах Matplotlib
      • Как изменить размер графика и фигуры в Matplotlib
      • Как добавить названия в Matplotlib: Заголовок, Подзаголовок, Названия Осей
      • Pandas Scatter Plot: Как создать диаграмму рассеяния в Pandas
      • Построение графиков в Python с помощью Matplotlib
      • Диаграммы рассеяния Matplotlib – Все, что вам нужно знать
      • Диаграммы с столбцами в Matplotlib – Узнайте все, что вам нужно знать
      • Линейные диаграммы Matplotlib – Всё, что вам нужно знать
      • Построение гистограммы в Python с Matplotlib и Pandas
  • Алгоритмы
    • Алгоритм поиска в ширину (BFS) в Python
    • Алгоритм поиска в глубину (DFS) на Python
  • AI создает хедж-фонд для анализа акций на Python
Powered by GitBook
On this page
  • Что такое нормальное (гауссово) распределение?
  • Как использовать Numpy для создания нормального распределения
  • Как построить нормальное распределение с помощью Seaborn
  • Как изменить среднее значение нормального распределения в Python Numpy
  • Как изменить стандартное отклонение нормального распределения в Python Numpy
  • Как изменить форму нормального распределения в Numpy
  • Заключение
  • Дополнительные ресурсы
  1. Учебники по Pandas и Numpy
  2. Numpy

Распределение Нормального (Гауссова) Распределения в Numpy (Случайное Нормальное в Numpy)

PreviousИспользование числа Пи в Python (NumPy и Math)NextNumPy для Data Science на Python

Last updated 4 months ago

В этом уроке вы узнаете, как использовать функцию Numpy random.normal для создания нормальных (или гауссовских) распределений. Функция предоставляет вам инструменты, позволяющие создавать распределения с определенными средними значениями и стандартными распределениями. Кроме того, вы можете создавать распределения различного размера.

К концу этого урока вы узнаете:

  • Что такое нормальное (гауссово) распределение?

  • Как использовать функцию numpy.random.normal() для создания нормальных распределений

  • Как указать среднее значение, стандартное отклонение и форму распределения

  • Как построить графики распределения с помощью Seaborn

Оглавление

Что такое нормальное (гауссово) распределение?

Нормальное распределение описывает распространенное явление, которое возникает, когда данные распределены определенным образом. Это означает, что данные не смещены в какую-либо сторону, но и не рассыпаны хаотично. Фактически, они формируют кривую в форме колокола, аналогичную приведенной ниже диаграмме:

Вы, возможно, думаете: "Как часто это может происходить?" На самом деле, довольно часто. Например, рост и вес людей в основном распределены нормально. Так же как артериальное давление, оценки за тесты и изделия, произведенные машинами.

Когда мы говорим о том, что данные распределены нормально, мы имеем в виду:

  1. Они расположены вдоль среднего значения

  2. Они следуют правилам, касающимся стандартных отклонений

На изображении выше темно-синие линии представляют собой 1 стандартное отклонение от среднего в обоих направлениях. Согласно гауссовскому распределению, ~68,2% значений будут находиться в пределах одного стандартного отклонения.

Если вы хотите научиться проверять, является ли распределение нормальным, ознакомьтесь с моим руководством по использованию Python для тестирования на нормальность

Как использовать Numpy для создания нормального распределения

Функция random.normal в библиотеке numpy используется для создания массивов, которые соответствуют нормальному или Гауссовому распределению. Эта функция обладает высокой гибкостью, поскольку позволяет задавать различные параметры для формирования массива. За кулисами Numpy гарантирует, что полученные данные будут иметь нормальное распределение.

Давайте посмотрим, как работает функция:

# Понимание синтаксиса random.normal()
normal(
    loc=0.0,        # Среднее значение распределения
    scale=1.0,      # Стандартное отклонение
    size=None       # Размер или форма вашего массива
)

Хотя функция имеет всего три параметра, она предоставляет значительные возможности для настройки возвращаемого массива. Давайте узнаем немного больше о этих параметрах:

  • loc= представляет среднее значение (или центр) распределения и по умолчанию равно 0.0

  • scale= представляет стандартное отклонение и по умолчанию равно 1.0

  • Параметр size= немного сложнее. Он принимает либо целое число, либо кортеж целых чисел. Если передается число, создается одномерный массив заданного размера. Если передается кортеж, например (x, y), будет создан массив размером x * y.

Давайте создадим ваш первый дистрибутив:

from numpy.random import normal

norm = normal(size=20)
print(norm)

# Возвращает:
# [-0.96471102  0.97183671  0.64331032  0.17967547  1.13204258  0.82451325
#  -0.15279955  1.07637854  0.4237334  -0.37220927 -1.63307194  0.40096688
#  -0.36214115 -0.18937799 -0.43963889 -0.37077402 -0.20623217 -0.95767066
#   1.60089927  0.45036494]

В приведенном выше примере вы создали нормальное распределение из 20 значений, с центром вокруг среднего равного 0 и со стандартным отклонением равным 1.

В следующем разделе вы узнаете, как построить полученное распределение с использованием Seaborn.

Как построить нормальное распределение с помощью Seaborn

В этом разделе вы узнаете, как визуализировать созданное вами распределение с помощью Seaborn. Seaborn специализируется на визуализации статистических распределений. В данном примере вы будете использовать функцию histplot, которая служит для визуализации распределений.

Давайте создадим вашу первую визуализацию:

# Создание первой визуализации
# Импортируем необходимые библиотеки
from numpy.random import normal
import matplotlib.pyplot as plt
import seaborn as sns

# Генерируем случайные числа из нормального распределения
norm = normal(size=20)

# Строим гистограмму с наложенной кривой плотности
sns.histplot(norm, kde=True)

# Отображаем график
plt.show()

Это возвращает следующее изображение:

Вы можете подумать, что распределение действительно не выглядит нормальным. Это потому, что мы выбрали только 20 значений. Давайте создадим пример с 2000 значениями и посмотрим, как изменится визуализация:

from numpy.random import normal
import matplotlib.pyplot as plt
import seaborn as sns

norm = normal(size=2000)
sns.histplot(norm, kde=True)

plt.show()

Это возвращает следующее изображение:

В следующем разделе вы научитесь изменять среднее значение нормального распределения с использованием функции random normal в Numpy.

Как изменить среднее значение нормального распределения в Python Numpy

По умолчанию функция random.normal() в Numpy использует среднее значение 0. Часто возникает необходимость изменить это значение. Это легко сделать, используя аргумент loc=. Аргумент по умолчанию равен 0.0, но изменение его значения изменит среднее значение распределения.

Давайте воссоздадим приведенный выше пример, используя среднее значение 100:

# Изменение среднего значения нормального распределения
# Импортируем необходимые библиотеки
from numpy.random import normal
import matplotlib.pyplot as plt
import seaborn as sns

# Генерируем случайные числа из нормального распределения с измененным средним значением
norm = normal(loc=100, size=2000)

# Строим гистограмму с наложенной кривой плотности
sns.histplot(norm, kde=True)

# Отображаем график
plt.show()

Это возвращает следующее распределение:

В этом случае распределение выглядит аналогично, но данные сосредоточены вокруг значения 100. В следующем разделе вы узнаете, как изменить стандартное отклонение нормального распределения.

Как изменить стандартное отклонение нормального распределения в Python Numpy

Точно так же, как вы можете желать указать среднее значение вашего результирующего распределения, вы также можете захотеть изменить стандартное отклонение набора данных.

Это можно сделать, используя параметр scale=. Давайте изменим стандартное отклонение на 20.

# Изменение стандартного отклонения нормального распределения
from numpy.random import normal
import matplotlib.pyplot as plt
import seaborn as sns

norm = normal(loc=100, scale=20, size=2000)
sns.histplot(norm, kde=True)

plt.show()

Это возвращает следующее распределение:

В следующем разделе вы узнаете, как изменить форму полученного массива.

Как изменить форму нормального распределения в Numpy

Одной из удивительных особенностей функции numpy.random normal является то, что она позволяет легко определить форму получаемого массива. До сих пор мы указывали значение параметра size в виде целого числа.

Когда вы передаете кортеж целых чисел, это изменяет форму массива с одномерного на многомерный массив. Если вы передаете кортеж значений (2, 3), вы получите массив с двумя строками и тремя столбцами.

Результирующий массив будет иметь нормальное распределение. Давайте создадим пример, где мы создадим массив 2×10:

# Изменение формы массива нормального распределения
from numpy.random import normal

norm = normal(loc=100, scale=20, size=(2,10))
print(norm)

# Возвращает:
# [[108.49943923  78.2338738   88.54610957 115.39467754  86.54653081
#    59.0665876  101.14148334 130.34385877 108.22246364  86.59464058]
#  [110.07354478 129.55607744  76.92302147 147.73941769 153.69210309
#    90.90013017 105.71356503 100.57125782  90.44076092  93.29935961]]

Заключение

В этом уроке вы научились использовать функцию normal модуля Numpy для создания нормального распределения. Вы узнали, как задать количество значений в массиве, среднее значение массива и стандартное отклонение массива с помощью этой функции. Также вы научились использовать Seaborn для визуализации этого распределения.

Дополнительные ресурсы

Для изучения смежных тем ознакомьтесь с нижеприведенными учебными пособиями:

  • NumPy для науки о данных в Python

  • Учебное пособие по стандартному отклонению Python: объяснение и примеры

  • Среднее значение Pandas: рассчитать среднее значение Pandas для одного или нескольких столбцов

Что такое нормальное (гауссово) распределение?
Как использовать Numpy для создания нормального распределения
Как построить нормальное распределение с помощью Seaborn
Как изменить среднее значение нормального распределения в Python Numpy
Как изменить стандартное отклонение нормального распределения в Python Numpy
Как изменить форму нормального распределения в Numpy
Заключение
Дополнительные ресурсы
Changing the Standard Deviation of a Distribution created with Numpy random normal
Нормальное распределени