人工智能学习联盟免费课程——案例七:模拟掷骰子

2023-11-22 22:52

本文主要是介绍人工智能学习联盟免费课程——案例七:模拟掷骰子,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

  • 案例7 模拟掷骰子
    • 功能1.0 模拟和统计
    • 功能2.0 同时模拟两个骰子
    • 功能3.0 结果可视化
    • 功能4.0 简单的数据统计和分析
    • 功能5.0 使用科学计算库简化程序
    • 课后思考

案例7 模拟掷骰子

功能1.0 模拟和统计

模拟掷骰子并且记录频数和频率

生成随机数的方法:

  • choice() 从列表中随机返回一个值
  • sample(,k) 从列表中随机抽取k个值
  • random模块的一系列ran函数
import numpy as np
import pandas as pd

enumerate 遍历列表,返回每个元素的索引和值

#模拟掷骰子
def roll_dic():roll = np.random.randint(1,7)return roll
#定义主函数
def main():total_times = 10000#初始化列表result_list = [0] * 6for i in range(total_times):roll = roll_dic()for j in range(1,7):if roll == j:result_list[j-1] += 1for i,x in enumerate(result_list):print('点数{}的次数:{},频率:{}'.format(i + 1,x,x / total_times))
main()
点数1的次数:1644,频率:0.1644
点数2的次数:1633,频率:0.1633
点数3的次数:1664,频率:0.1664
点数4的次数:1708,频率:0.1708
点数5的次数:1672,频率:0.1672
点数6的次数:1679,频率:0.1679

功能2.0 同时模拟两个骰子

  • 借助字典来储存模拟结果
  • 借助zip()函数来生成字典
def main():total_times = 10000#初始化列表result_list = [0] * 11roll_list = list(range(2,13))#将键值对合并roll_dict = dict(zip(roll_list,result_list))for i in range(total_times):roll1 = roll_dic()roll2 = roll_dic()for j in range(2,13):if (roll1 + roll2) == j:roll_dict[j] += 1#i是字典的键,点数和;x是字典的值,点数和出现的次数for i,x in roll_dict.items():print('点数{}的次数:{},频率:{}'.format(i,x,x / total_times))
main()
点数2的次数:274,频率:0.0274
点数3的次数:532,频率:0.0532
点数4的次数:865,频率:0.0865
点数5的次数:1109,频率:0.1109
点数6的次数:1393,频率:0.1393
点数7的次数:1572,频率:0.1572
点数8的次数:1389,频率:0.1389
点数9的次数:1101,频率:0.1101
点数10的次数:869,频率:0.0869
点数11的次数:590,频率:0.059
点数12的次数:306,频率:0.0306

功能3.0 结果可视化

matplotlib模块

from matplotlib import pyplot as plt
def main():total_times = 1000#记录掷骰子的结果roll1_list = []roll2_list = []for i in range(total_times):roll1 = roll_dic()roll2 = roll_dic()roll1_list.append(roll1)roll2_list.append(roll2)#可视化x = range(1,total_times + 1)plt.scatter(x,roll1_list,alpha=0.1)plt.scatter(x,roll2_list,alpha=0.1)plt.show()
main()

在这里插入图片描述

功能4.0 简单的数据统计和分析

  • 直方图
def main():total_times = 100000#记录掷骰子的结果roll_list = []for i in range(total_times):roll1 = roll_dic()roll2 = roll_dic()roll_list.append(roll1 + roll2)#可视化plt.hist(roll_list,bins = range(2,14),density = True,edgecolor = 'black',width = 1)plt.title('骰子点数统计图')plt.xlabel('点数')plt.ylabel('频率')plt.show()
#因为函数更新,现在用density代替normed参数
main()

在这里插入图片描述

#默认设置中的字体不支持中文输出,需要重新设置
plt.rcParams['font.sans-serif'] = ['SimHei']
#有时负号也会存在问题
plt.rcParams['axes.unicode_minus'] = False
main()

在这里插入图片描述

功能5.0 使用科学计算库简化程序

def main():total_times = 10000#直接借助numpy生成随机数矩阵roll1_arr = np.random.randint(1,7,total_times)roll2_arr = np.random.randint(1,7,total_times)roll_arr = roll1_arr + roll2_arr#np中的可视化hist , bins =np.histogram(roll_arr,bins = range(2,14))print(hist,'\n',bins)#修改坐标标签tick_labels = ['2点','3点','4点','5点','6点','7点','8点','9点','10点','11点','12点']tick_pos = np.arange(2,14) + 0.5plt.xticks(tick_pos,tick_labels)plt.hist(roll_arr,bins = range(2,14),density = True,edgecolor = 'black',linewidth = 1,rwidth = 0.8)plt.title('骰子点数统计图')plt.xlabel('点数')plt.ylabel('频率')plt.show()
main()
[ 293  542  878 1098 1356 1713 1359 1141  781  580  259] [ 2  3  4  5  6  7  8  9 10 11 12 13]

在这里插入图片描述

课后思考

掷3个骰子的可视化

def main():total_times = 10000roll1_arr = np.random.randint(1,7,total_times)roll2_arr = np.random.randint(1,7,total_times)roll3_arr = np.random.randint(1,7,total_times)roll_arr = roll1_arr + roll2_arr + roll3_arrtick_labels = ['3点','4点','5点','6点','7点','8点','9点','10点','11点','12点','13点','14点','15点','16点','17点','18点']tick_pos = np.arange(3,20) + 0.5plt.xticks(tick_pos,tick_labels)plt.hist(roll_arr,bins = range(3,20),density = True,edgecolor = 'black',linewidth = 1,rwidth = 0.8)plt.title('骰子点数统计图')plt.xlabel('点数')plt.ylabel('频率')plt.show()
main()

在这里插入图片描述

这篇关于人工智能学习联盟免费课程——案例七:模拟掷骰子的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/413501

相关文章

SpringBoot实现动态插拔的AOP的完整案例

《SpringBoot实现动态插拔的AOP的完整案例》在现代软件开发中,面向切面编程(AOP)是一种非常重要的技术,能够有效实现日志记录、安全控制、性能监控等横切关注点的分离,在传统的AOP实现中,切... 目录引言一、AOP 概述1.1 什么是 AOP1.2 AOP 的典型应用场景1.3 为什么需要动态插

Golang操作DuckDB实战案例分享

《Golang操作DuckDB实战案例分享》DuckDB是一个嵌入式SQL数据库引擎,它与众所周知的SQLite非常相似,但它是为olap风格的工作负载设计的,DuckDB支持各种数据类型和SQL特性... 目录DuckDB的主要优点环境准备初始化表和数据查询单行或多行错误处理和事务完整代码最后总结Duck

MySQL不使用子查询的原因及优化案例

《MySQL不使用子查询的原因及优化案例》对于mysql,不推荐使用子查询,效率太差,执行子查询时,MYSQL需要创建临时表,查询完毕后再删除这些临时表,所以,子查询的速度会受到一定的影响,本文给大家... 目录不推荐使用子查询和JOIN的原因解决方案优化案例案例1:查询所有有库存的商品信息案例2:使用EX

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

Hadoop企业开发案例调优场景

需求 (1)需求:从1G数据中,统计每个单词出现次数。服务器3台,每台配置4G内存,4核CPU,4线程。 (2)需求分析: 1G / 128m = 8个MapTask;1个ReduceTask;1个mrAppMaster 平均每个节点运行10个 / 3台 ≈ 3个任务(4    3    3) HDFS参数调优 (1)修改:hadoop-env.sh export HDFS_NAMENOD

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置