㈠ python 3 三維數組或者多維數組 怎麼計算元素的百分比,詳細裡面會具體一點
在Python中，一個像這樣的多維表格可以通過「序列的序列」實現。一個表格是行的序列。每一行又是獨立單元格的序列。這類似於我們使用的數學記號，在數學里我們用Ai,j，而在Python里我們使用A[i][j]，代表矩陣的第i行第j列。
這看起來非常像「元組的列表」（Lists of Tuples）。
「列表的列表」示例
我們可以使用嵌套的列表推導式（list comprehension）創建一個表格。 下面的例子創建了一個「序列的序列」構成的表格，並為表格的每一個單元格賦值。
table= [ [ 0 for i in range(6) ] for j in range(6) ]
print table
for d1 in range(6):
for d2 in range(6):
table[d1][d2]= d1+d2+2
print table
123456
程序的輸出結果如下：
[[0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0],
[0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0]]
[[2, 3, 4, 5, 6, 7], [3, 4, 5, 6, 7, 8], [4, 5, 6, 7, 8, 9],
[5, 6, 7, 8, 9, 10], [6, 7, 8, 9, 10, 11], [7, 8, 9, 10, 11, 12]]
1234
這個程序做了兩件事：創建了一個6 × 6的全0表格。 然後使用兩枚骰子的可能組合的數值填充表格。 這並非完成此功能最有效的方式，但我們通過這個簡單的例子來演示幾項技術。我們仔細看一下程序的前後兩部分。
程序的第一部分創建並輸出了一個包含6個元素的列表，我們稱之為「表格」；表格中的每一個元素都是一個包含6個0元素的列表。它使用列表推導式，對
於范圍從0到6的每一個j都創建對象。每一個對象都是一個0元素列表，由i變數從0到6遍歷產生。初始化完成之後，列印輸出二維全0表格。
推導式可以從里向外閱讀，就像一個普通表達式一樣。內層列表[ 0 for i in range(6) ]創建了一個包含6個0的簡單列表。外層列表[ [...] for j in range(6) ]創建了這些內層列表的6個深拷貝。
程序的第2個部分對2個骰子的每一個組合進行迭代，填充表格的每一個單元格。這由兩層嵌套循環實現，每一個循環迭代一個骰子。外層循環枚舉第一個骰子的所有可能值d1。內層循環枚舉第二個骰子d2。
更新每一個單元格時需要通過table[d1]選擇每一行；這是一個包含6個值的列表。這個列表中選定的單元格通過...[d2]進行選擇。我們將擲骰子的值賦給這個單元格，d1+d2+2
其他示例
列印出的列表的列表不太容易閱讀。下面的循環會以一種更加可讀的形式顯示表格。
>>>
for row in table:
...
print row
...
[2, 3, 4, 5, 6, 7]
[3, 4, 5, 6, 7, 8]
[4, 5, 6, 7, 8, 9]
[5, 6, 7, 8, 9, 10]
[6, 7, 8, 9, 10, 11]
[7, 8, 9, 10, 11, 12]
12345678910111213
作為練習，讀者可以試著在列印列表內容時，再列印出行和列的表頭。提示一下，使用"%2d" % value字元串運算符可以列印出固定長度的數字格式。
顯示索引值（Explicit Index Values）
我們接下來對骰子表格進行匯總統計，得出累計頻率表。我們使用一個包含13個元素的列表（下標從0到12）表示每一個骰子值的出現頻率。觀察可知骰子值2在矩陣中只出現了一次，因此我們期望fq[2]的值為1。遍歷矩陣中的每一個單元格，得出累計頻率表。
fq= 13 * [0]
for i in range(6):
for j in range(6):
c= table[i][j]
fq[ c ] += 1
12345
使用下標i選出表格中的行，用下標j從行中選出一列，得到單元格c。然後用fq統計頻率。
這看起來非常的數學和規范。Python提供了另外一種更簡單一些的方式。
使用列表迭代器而非下標
表格是列表的列表，可以採用無下標的for循環遍歷列表元素。
fq= 13 * [0]
print fq
for row in table:
for c in row:
fq[c] += 1
print fq[2:]
㈡ 統計學入門級：常見概率分布+python繪制分布圖
如果隨機變數X的所有取值都可以逐個列舉出來，則稱X為離散型隨機變數。相應的概率分布有二項分布，泊松分布。
如果隨機變數X的所有取值無法逐個列舉出來，而是取數軸上某一區間內的任一點，則稱X為連續型隨機變數。相應的概率分布有正態分布，均勻分布，指數分布，伽馬分布，偏態分布，卡方分布，beta分布等。(真多分布，好恐怖~~)
在離散型隨機變數X的一切可能值中，各可能值與其對應概率的乘積之和稱為該隨機變數X的期望值，記作E(X) 。比如有隨機變數，取值依次為：2，2，2，4，5。求其平均值：(2+2+2+4+5)/5 = 3。
期望值也就是該隨機變數總體的均值。 推導過程如下：
= (2+2+2+4+5)/5
= 1/5 2 3 + 4/5 + 5/5
= 3/5 2 + 1/5 4 + 1/5 5
= 0.6 2 + 0.2 4 + 0.2 5
= 60% 2 + 20% 4 + 20%*5
= 1.2 + 0.8 + 1
= 3
倒數第三步可以解釋為值為2的數字出現的概率為60%，4的概率為20%，5的概率為20%。 所以E(X) = 60% 2 + 20% 4 + 20%*5 = μ = 3。
0-1分布（兩點分布），它的隨機變數的取值為1或0。即離散型隨機變數X的概率分布為：P{X=0} = 1-p, P{X=1} = p，即：
則稱隨機變數X服從參數為p的0-1分布，記作X~B（1，p)。
在生活中有很多例子服從兩點分布，比如投資是否中標，新生嬰兒是男孩還是女孩，檢查產品是否合格等等。
大家非常熟悉的拋硬幣試驗對應的分布就是二項分布。拋硬幣試驗要麼出現正面，要麼就是反面，只包含這兩個結果。出現正面的次數是一個隨機變數，這種隨機變數所服從的概率分布通常稱為 二項分布 。
像拋硬幣這類試驗所具有的共同性質總結如下：（以拋硬幣為例）
通常稱具有上述特徵的n次重復獨立試驗為n重伯努利試驗。簡稱伯努利試驗或伯努利試驗概型。特別地，當試驗次數為1時，二項分布服從0-1分布(兩點分布)。
舉個栗子：拋3次均勻的硬幣，求結果出現有2個正面的概率 。
已知p = 0.5 (出現正面的概率) ，n = 3 ，k = 2
所以拋3次均勻的硬幣，求結果出現有2個正面的概率為3/8。
二項分布的期望值和方差 分別為：
泊松分布是用來描述在一 指定時間范圍內或在指定的面積或體積之內某一事件出現的次數的分布 。生活中服從泊松分布的例子比如有每天房產中介接待的客戶數，某微博每月出現伺服器癱瘓的次數等等。 泊松分布的公式為 ：
其中 λ 為給定的時間間隔內事件的平均數，λ = np。e為一個數學常數，一個無限不循環小數，其值約為2.71828。
泊松分布的期望值和方差 分別為：
使用Python繪制泊松分布的概率分布圖：
因為連續型隨機變數可以取某一區間或整個實數軸上的任意一個值，所以通常用一個函數f(x)來表示連續型隨機變數，而f(x)就稱為 概率密度函數 。
概率密度函數f(x)具有如下性質 ：
需要注意的是，f(x)不是一個概率，即f(x) ≠ P(X = x) 。在連續分布的情況下，隨機變數X在a與b之間的概率可以寫成：
正態分布（或高斯分布）是連續型隨機變數的最重要也是最常見的分布，比如學生的考試成績就呈現出正態分布的特徵，大部分成績集中在某個范圍（比如60-80分），很小一部分往兩端傾斜（比如50分以下和90多分以上）。還有人的身高等等。
正態分布的定義 ：
如果隨機變數X的概率密度為( -∞<x<+∞)：
則稱X服從正態分布，記作X~N(μ,σ²)。其中-∞<μ<+∞，σ>0， μ為隨機變數X的均值，σ為隨機變數X的標准差。 正態分布的分布函數
正態分布的圖形特點 ：
使用Python繪制正態分布的概率分布圖：
正態分布有一個3σ准則，即數值分布在(μ-σ,μ+σ)中的概率為0.6827，分布在（μ-2σ,μ+2σ)中的概率為0.9545，分布在(μ-3σ,μ+3σ)中的概率為0.9973，也就是說大部分數值是分布在(μ-3σ,μ+3σ)區間內，超出這個范圍的可能性很小很小，僅占不到0.3%，屬於極個別的小概率事件，所以3σ准則可以用來檢測異常值。
當μ=0，σ=1時，有
此時的正態分布N(0,1) 稱為標准正態分布。因為μ，σ都是確定的取值，所以其對應的概率密度曲線是一條 形態固定 的曲線。
對標准正態分布，通常用φ(x)表示概率密度函數，用Φ(x)表示分布函數：
假設有一次物理考試特別難，滿分100分，全班只有大概20個人及格。與此同時語文考試很簡單，全班絕大部分都考了90分以上。小明的物理和語文分別考了60分和80分，他回家後告訴家長，這時家長能僅僅從兩科科目的分值直接判斷出這次小明的語文成績要比物理好很多嗎？如果不能，應該如何判斷呢？此時Z-score就派上用場了。 Z-Score的計算定義 ：
即 將隨機變數X先減去總體樣本均值，再除以總體樣本標准差就得到標准分數啦。如果X低於平均值，則Z為負數，反之為正數 。通過計算標准分數，可以將任何一個一般的正態分布轉化為標准正態分布。
小明家長從老師那得知物理的全班平均成績為40分，標准差為10，而語文的平均成績為92分，標准差為4。分別計算兩科成績的標准分數：
物理：標准分數 = (60-40)/10 = 2
語文：標准分數 = (85-95)/4 = -2.5
從計算結果來看，說明這次考試小明的物理成績在全部同學中算是考得很不錯的，而語文考得很差。
指數分布可能容易和前面的泊松分布混淆，泊松分布強調的是某段時間內隨機事件發生的次數的概率分布，而指數分布說的是 隨機事件發生的時間間隔 的概率分布。比如一班地鐵進站的間隔時間。如果隨機變數X的概率密度為：
則稱X服從指數分布，其中的參數λ>0。 對應的分布函數 為：
均勻分布的期望值和方差 分別為：
使用Python繪制指數分布的概率分布圖：
均勻分布有兩種，分為 離散型均勻分布和連續型均勻分布 。其中離散型均勻分布最常見的例子就是拋擲骰子啦。拋擲骰子出現的點數就是一個離散型隨機變數，點數可能有1，2，3，4，5，6。每個數出現的概率都是1/6。
設連續型隨機變數X具有概率密度函數：
則稱X服從區間(a,b)上的均勻分布。X在等長度的子區間內取值的概率相同。對應的分布函數為：
f(x)和F(x)的圖形分別如下圖所示：
均勻分布的期望值和方差 分別為：
㈢ 怎樣python 寫一個撲克和骰子的程序，模擬的5骰子的滾動，至多三次，具體要求如下：
參考下面的代碼.
play 可能有問題，主要是沒說清楚在保留牌的時候， 輸入Ace 或者 "Ace Ace" 有什麼區別，到底是輸入一次 Ace 保留手上所有的 Ace 還是只保留一個，這個沒說清楚。看例子，這兩種用法都有，我按照輸入了幾個就保留幾個來做的。
simulate 沒問題，和圖片中的結果完全一樣
必須用 python 3
importrandom
importcollections
_dice_type=['Ace','King','Queen','Jack','10','9']
_hand_mapping=collections.OrderedDict([
('5kind','Fiveofakind'),
('4kind','Fourofakind'),
('full','Fullhouse'),
('straight','Straight'),
('3kind','Threeofakind'),
('2pair','Twopair'),
('1pair','Onepair'),
('bust','Bust'),
])
def_check_hand(dices):
counter=collections.Counter(dices)
iflen(counter)==1:
return'5kind'
sorted5=counter.most_common(5)
ifsorted5[0][1]==4:
return'4kind'
ifsorted5[0][1]==3:
ifsorted5[1][1]==2:
return'full'
else:
return'3kind'
ifsorted5[0][1]==2:
ifsorted5[1][1]==2:
return'2pair'
else:
return'1pair'
iflen(counter)==5:
dtype=sorted5[0][0]
forxinsorted5:
ifdtype!=x[0]:
break
dtype+=1
else:
return'straight'
return'bust'
defplay():
dices=[]
retry=0
whileTrue:
remain=5-len(dices)
ifremain<=0:
break
dices.extend([random.randint(0,5)forxinrange(remain)])
print("Therollis:{}".format(
"".join([_dice_type[d]fordinsorted(dices)])
))
print("Itisa{}".format(_hand_mapping[_check_hand(dices)]))
ifretry>1:
break
prompt="{}roll?".format(
"second"ifretry==0else"third"
)
whileTrue:
answer=input(prompt).lower()
ifanswer=='all':
break
answer=[x.capitalize()forxinanswer.split()]
ifset(answer).issubset(set(_dice_type)):
break
print("Thatisnotpossible,tryagain!")
retry+=1
ifanswer=='all':
print("Ok,done")
break
tmp=dices
dices=[]
forxintmp:
if_dice_type[x]inanswer:
dices.append(x)
answer.remove(_dice_type[x])
defsimulate(n,debug=False):
result=dict.fromkeys(_hand_mapping.keys(),0)
for_inrange(n):
dices=[random.randint(0,5)forxinrange(5)]
ifdebug:
print("DEBUG:","".join([_dice_type[d]fordinsorted(dices)]))
result[_check_hand(dices)]+=1
fork,vin_hand_mapping.items():
cnt=result[k]
print("{:<16s}:{:.2f}%".format(v,100*cnt/n))
㈣ 用python編一個扔骰子猜大小的游戲，要求三局兩勝制
搜集的資料：
importrandom
defgame(w,l):
defwinning():
print("Youareright.")
again(w+1,l)
deflosing():
print("Youarewrong.")
again(w,l+1)
defagain(w,l):
ans=input("Playagain?(y/n)")
ifans=='n':
print("Youplayed%srounds,andyouwon%srounds"%(w+l,w))
elifans=='y':
game(w,l)
else:
again(w,l)
guess=input("Pleaseinputyourguess(big/small):")
dice=random.randrange(1,7)
ifguess=="small":
winning()ifdice<=3elselosing()
elifguess=="big":
winning()ifdice>=4elselosing()
else:
game(w,l)
if__name__=='__main__':
game(0,0)
㈤ python 擲骰子程序
一共有多少個骰子，設為num個，然後執行randrange(sides)+1 num次，意思就是每個骰子做了一次投骰子的，然後拿到每次投篩子後的值。randrange(sides)+1 ，至少是1，最多是骰子的最大值
㈥ Python大數據課堂小作業 在線等 急
答案如下：
#!/usr/bin/envpython
#-*-coding:utf-8-*-
#author:huozheshi2012
#time:2019/3/28
importrandom
importmatplotlib.pyplotasplt
defroll_dice():
"""
模擬擲骰子
"""
roll=random.randint(1,6)
returnroll
defmain(times):
"""
主函數
"""
total_time=times
#初始化列表
result_list=[0]*23
#初始化點數列表
roll_list=list(range(4,24))
roll_dict=dict(zip(roll_list,result_list))
#記錄骰子1的的結果
roll1_list=[]
roll2_list=[]
roll3_list=[]
roll4_list=[]
foriinrange(total_time):
roll1=roll_dice()
roll2=roll_dice()
roll3=roll_dice()
roll4=roll_dice()
roll1_list.append(roll1)
roll2_list.append(roll2)
roll3_list.append(roll3)
roll4_list.append(roll4)
#獲取點數存儲到對應次數位置
forjinrange(4,24):
if(roll1+roll2+roll3+roll4)==j:
roll_dict[j]+=1
break
fori,resultinroll_dict.items():
print('點數{}的次數{}，頻率：{}'.format(i,result,result/total_time))
#數據可視化
x=range(1,total_time+1)
plt.scatter(x,roll1_list,c='red',alpha=0.5)
plt.scatter(x,roll2_list,c='green',alpha=0.5)
plt.show()
if__name__=='__main__':
main(1000)
其中，main裡面可以改任意數字！
得到的結論是：投擲的次數越多，越加符合正態分布！