Hướng dẫn np exp in python - np exp trong python

Hàm exp(x) trong Python trả về ex.exp(x) trong Python trả về ex.

Cú pháp

Cú pháp của exp() trong Python:exp() trong Python:

Ghi chú: Hàm này không có thể truy cập trực tiếp, vì thế chúng ta cần import math module và sau đó chúng ta cần gọi hàm này bởi sử dụng đối tượng math. Hàm này không có thể truy cập trực tiếp, vì thế chúng ta cần import math module và sau đó chúng ta cần gọi hàm này bởi sử dụng đối tượng math.

Các tham số:

• x: Đây là một biểu thức số.: Đây là một biểu thức số.

Ví dụ sau minh họa cách sử dụng của hàm exp() trong Python.

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

Chạy chương trình Python trên sẽ cho kết quả:

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

Sau đó, sử dụng nghịch đảo của y = f (x) để nhận số ngẫu nhiên x = f - 1 (y) có hàm phân phối là. ....exp(x) trong Python trả về ex.

Lặp lại các bước 1 và 2 một nghìn lần ..

• Quy mô theo cấp số nhân ngẫu nhiên numpy là gì?
• numpy.random.exponential (tỷ lệ = 1.0, size = none) phân phối theo cấp số nhân. Hàm mật độ xác suất của nó là. cho x> 0 và 0 ở nơi khác. là tham số tỷ lệ, là nghịch đảo của tham số tốc độ.
• Làm thế nào để bạn phù hợp với một phân phối theo cấp số nhân trong Python?
• Giải pháp là phù hợp bằng cách sử dụng hàm theo cấp số nhân trong đó `B` bị giới hạn thành 0 (hoặc bất kỳ giá trị nào bạn biết là). `` `Python def monoexpzerob (x, m, t): return m * np. exp (-t * x) # Thực hiện phù hợp bằng cách sử dụng hàm trong đó b là 0 p0 = (2000,. 1) # Bắt đầu với các giá trị gần các giá trị mà chúng tôi mong đợi paramsb, cv = scipy.

• math.exp(-45) :  2.8625185805493937e-20
  math.exp(10.15) :  25591.102206689702
  math.exp(100) :  2.6881171418161356e+43
  math.exp(math.pi) :  23.140692632779267
  

  6

  math.exp(-45) :  2.8625185805493937e-20
  math.exp(10.15) :  25591.102206689702
  math.exp(100) :  2.6881171418161356e+43
  math.exp(math.pi) :  23.140692632779267
  

  0

  math.exp(-45) :  2.8625185805493937e-20
  math.exp(10.15) :  25591.102206689702
  math.exp(100) :  2.6881171418161356e+43
  math.exp(math.pi) :  23.140692632779267
  

  8

  math.exp(-45) :  2.8625185805493937e-20
  math.exp(10.15) :  25591.102206689702
  math.exp(100) :  2.6881171418161356e+43
  math.exp(math.pi) :  23.140692632779267
  

  9

  from scipy.stats import expon
  
  #generate random values from exponential distribution with rate=40 and sample size=10
  expon.rvs(scale=40, size=10)
  
  array([116.5368323 ,  67.23514699,  12.00399043,  40.74580584,
          34.60922432,   2.68266663,  22.70459831,  97.66661811,
           6.64272914,  46.15547298])
  

  0

  math.exp(-45) :  2.8625185805493937e-20
  math.exp(10.15) :  25591.102206689702
  math.exp(100) :  2.6881171418161356e+43
  math.exp(math.pi) :  23.140692632779267
  

  0

  from scipy.stats import expon
  
  #generate random values from exponential distribution with rate=40 and sample size=10
  expon.rvs(scale=40, size=10)
  
  array([116.5368323 ,  67.23514699,  12.00399043,  40.74580584,
          34.60922432,   2.68266663,  22.70459831,  97.66661811,
           6.64272914,  46.15547298])
  

  2

  math.exp(-45) :  2.8625185805493937e-20
  math.exp(10.15) :  25591.102206689702
  math.exp(100) :  2.6881171418161356e+43
  math.exp(math.pi) :  23.140692632779267
  

  5
• Ví dụ #2:
• hàm mũ () trong python. Với sự trợ giúp của phương thức numpy.random.exponential (), chúng ta có thể lấy các mẫu ngẫu nhiên từ phân phối theo cấp số nhân và trả về mảng vô dụng của các mẫu ngẫu nhiên bằng cách sử dụng phương pháp này.
• Vì vậy, một chiến lược chúng ta có thể sử dụng để tạo 1000 số sau phân phối theo cấp số nhân với giá trị trung bình là 5 là:.

Lặp lại các bước 1 và 2 một nghìn lần ..

• Quy mô theo cấp số nhân ngẫu nhiên numpy là gì?
• numpy.random.exponential (tỷ lệ = 1.0, size = none) phân phối theo cấp số nhân. Hàm mật độ xác suất của nó là. cho x> 0 và 0 ở nơi khác. là tham số tỷ lệ, là nghịch đảo của tham số tốc độ.
• Làm thế nào để bạn phù hợp với một phân phối theo cấp số nhân trong Python?
• Giải pháp là phù hợp bằng cách sử dụng hàm theo cấp số nhân trong đó `B` bị giới hạn thành 0 (hoặc bất kỳ giá trị nào bạn biết là). `` `Python def monoexpzerob (x, m, t): return m * np. exp (-t * x) # Thực hiện phù hợp bằng cách sử dụng hàm trong đó b là 0 p0 = (2000,. 1) # Bắt đầu với các giá trị gần các giá trị mà chúng tôi mong đợi paramsb, cv = scipy.

Hàm exp (x) Trong Python trả về ex.

Nội phân chínhexp() trong Python:

Cách tạo phân phối theo cấp số nhân Hàm này không có thể truy cập trực tiếp, vì thế chúng ta cần import math module và sau đó chúng ta cần gọi hàm này bởi sử dụng đối tượng math.

Cách tính xác suất bằng cách sử dụng phân phối theo cấp số nhân

• Cách vẽ sơ đồ phân phối theo cấp số nhân: Đây là một biểu thức số.

Tài nguyên bổ sung

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

Cú phápp

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

Cú Pháp Của exp () Trong Python:

GHI Chú: HÀM NÀY KHông nhập thể Truy cập trực tiếp, vì thế chún ta cần nhập module MOThe cumulative distribution function of X can be written as:

Các Tham Số:

where:

• X: Đây là một biểu thức số. the rate parameter (calculated as λ = 1/μ)
• Ví dụ Sau Minh Họa Cách Sử dụng Của ha exp () Trong Python. A constant roughly equal to 2.718

Chạy chương trình python trên sẽ Cho kết quả:

Quy mô theo cấp số nhân ngẫu nhiên numpy là gì?

numpy.random.exponential (tỷ lệ = 1.0, size = none) phân phối theo cấp số nhân. Hàm mật độ xác suất của nó là. cho x> 0 và 0 ở nơi khác. là tham số tỷ lệ, là nghịch đảo của tham số tốc độ.expon.rvs(scale, size) function from the SciPy library in Python to generate random values from an exponential distribution with a specific rate parameter and sample size:

from scipy.stats import expon

#generate random values from exponential distribution with rate=40 and sample size=10
expon.rvs(scale=40, size=10)

array([116.5368323 ,  67.23514699,  12.00399043,  40.74580584,
        34.60922432,   2.68266663,  22.70459831,  97.66661811,
         6.64272914,  46.15547298])

Làm thế nào để bạn phù hợp với một phân phối theo cấp số nhân trong Python?: You can find the complete documentation for the SciPy library here.

numpy.random.exponential (tỷ lệ = 1.0, size = none) phân phối theo cấp số nhân. Hàm mật độ xác suất của nó là. cho x> 0 và 0 ở nơi khác. là tham số tỷ lệ, là nghịch đảo của tham số tốc độ.

Làm thế nào để bạn phù hợp với một phân phối theo cấp số nhân trong Python?

Để giải quyết điều này, trước tiên chúng ta cần tính toán tham số tỷ lệ:

• = 1/μ
• = 1/40
• = .025

Chúng ta có thể cắm λ = .025 và x = 50 vào công thức cho CDF:

• P (x ≤ x) = 1-e-λx
• P (x ≤ 50) = 1-E-.025 (50)
• P (x ≤ 50) = 0,7135

Xác suất mà chúng tôi sẽ phải chờ ít hơn 50 phút cho vụ phun trào tiếp theo là & nbsp; 0,7135.0.7135.

Chúng ta có thể sử dụng hàm expon.cdf () từ SCIPY để giải quyết vấn đề này trong Python:expon.cdf() function from SciPy to solve this problem in Python:

from scipy.stats import expon

#calculate probability that x is less than 50 when mean rate is 40
expon.cdf(x=50, scale=40)

0.7134952031398099

Xác suất mà chúng tôi sẽ phải chờ ít hơn 50 phút cho vụ phun trào tiếp theo là & nbsp; 0,7135.0.7135.

Chúng ta có thể sử dụng hàm expon.cdf () từ SCIPY để giải quyết vấn đề này trong Python:

Điều này phù hợp với giá trị mà chúng tôi tính bằng tay.

Cách vẽ sơ đồ phân phối theo cấp số nhân

from scipy.stats import expon
import matplotlib.pyplot as plt

#generate exponential distribution with sample size 10000
x = expon.rvs(scale=40, size=10000)

#create plot of exponential distribution
plt.hist(x, density=True, edgecolor='black')

Bạn có thể sử dụng cú pháp sau để vẽ phân phối theo cấp số nhân với tham số tỷ lệ đã cho:

Tài nguyên bổ sung

Các hướng dẫn sau đây giải thích cách sử dụng các phân phối phổ biến khác trong Python:
How to Use the t Distribution in Python
How to Use the Uniform Distribution in Python

Nếu bạn muốn tiếp tục kiểm tra rằng chức năng của tôi thực sự đang đi qua các điểm dữ liệu 'thì tôi sẽ đề nghị tìm kiếm các mẫu trong phần dư. Nhưng các cuộc thảo luận như thế này có thể vượt ra ngoài những gì được hoan nghênh trên các lô Stackoverflow: Q-Q và P-P, các lô của phần dư so với

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

Xem thảo luận

Cải thiện bài viết

Nếu bạn muốn tiếp tục kiểm tra rằng chức năng của tôi thực sự đang đi qua các điểm dữ liệu 'thì tôi sẽ đề nghị tìm kiếm các mẫu trong phần dư. Nhưng các cuộc thảo luận như thế này có thể vượt ra ngoài những gì được hoan nghênh trên các lô Stackoverflow: Q-Q và P-P, các lô của phần dư so với

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

Xem thảo luận

Cải thiện bài viết

Lưu bài viếtnumpy.random.exponential() method, we can get the random samples from exponential distribution and returns the numpy array of random samples by using this method.

Đọc

Bàn luậnnumpy.random.exponential(scale=1.0, size=None)

Với sự trợ giúp của phương thức numpy.random.exponential (), chúng ta có thể lấy các mẫu ngẫu nhiên từ phân phối theo cấp số nhân và trả về mảng vô dụng của các mẫu ngẫu nhiên bằng cách sử dụng phương pháp này.Return the random samples of numpy array.

Phân phối theo cấp số nhân

Cú pháp: numpy.random.exponential (tỷ lệ = 1.0, size = none)numpy.random.exponential() method, we are able to get the random samples of exponential distribution and return the samples of numpy array.

Python3

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

from scipy.stats import expon

#generate random values from exponential distribution with rate=40 and sample size=10
expon.rvs(scale=40, size=10)

array([116.5368323 ,  67.23514699,  12.00399043,  40.74580584,
        34.60922432,   2.68266663,  22.70459831,  97.66661811,
         6.64272914,  46.15547298])

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

from scipy.stats import expon

#generate random values from exponential distribution with rate=40 and sample size=10
expon.rvs(scale=40, size=10)

array([116.5368323 ,  67.23514699,  12.00399043,  40.74580584,
        34.60922432,   2.68266663,  22.70459831,  97.66661811,
         6.64272914,  46.15547298])

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

from scipy.stats import expon

#generate random values from exponential distribution with rate=40 and sample size=10
expon.rvs(scale=40, size=10)

array([116.5368323 ,  67.23514699,  12.00399043,  40.74580584,
        34.60922432,   2.68266663,  22.70459831,  97.66661811,
         6.64272914,  46.15547298])

Đầu ra:

Ví dụ #2:

Python3

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

import math
print ("math.exp(-45) : ", math.exp(-45))
print ("math.exp(10.15) : ", math.exp(10.15))
print ("math.exp(100) : ", math.exp(100))
print ("math.exp(math.pi) : ", math.exp(math.pi))

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

from scipy.stats import expon

#generate random values from exponential distribution with rate=40 and sample size=10
expon.rvs(scale=40, size=10)

array([116.5368323 ,  67.23514699,  12.00399043,  40.74580584,
        34.60922432,   2.68266663,  22.70459831,  97.66661811,
         6.64272914,  46.15547298])

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

from scipy.stats import expon

#generate random values from exponential distribution with rate=40 and sample size=10
expon.rvs(scale=40, size=10)

array([116.5368323 ,  67.23514699,  12.00399043,  40.74580584,
        34.60922432,   2.68266663,  22.70459831,  97.66661811,
         6.64272914,  46.15547298])

math.exp(-45) :  2.8625185805493937e-20
math.exp(10.15) :  25591.102206689702
math.exp(100) :  2.6881171418161356e+43
math.exp(math.pi) :  23.140692632779267

Đầu ra:

from scipy.stats import expon

#generate random values from exponential distribution with rate=40 and sample size=10
expon.rvs(scale=40, size=10)

array([116.5368323 ,  67.23514699,  12.00399043,  40.74580584,
        34.60922432,   2.68266663,  22.70459831,  97.66661811,
         6.64272914,  46.15547298])

Đầu ra: