本章通过模拟掷骰子计算的5案例来进行学习基础的Python程序

案例描述

通过计算机程序模拟抛掷骰子，并显示各点数的出现次数及频率
比如：抛掷2个骰子50次，出现点数为7的次数是8，频率是0.16

模拟图

案例分析

根据以下函数判断密码强度并输出：
1.设置一个变量strength_level用于记录密码的强度，初始为0。满足一个条件，对其加1；
2.长度判断：使用len()方法；
3.包含数字判断：对密码字符串遍历，使用isnumeric()方法；
4.包含字母判断：对密码字符串遍历，使用isalpha()方法；
5.如果strength_level等于3，密码强度合格，否则不合格

v1.0

新建一个简单的Python程序，1.0功能：模拟抛掷1个骰子，并输出其结果；通过Python的random模块模拟随机事件或者生成随机数；遍历列表时，使用enumerate()函数同时获取每个元素的索引号及其元素值。首先掷骰子编写成一个函数，然后编写主函数设置参数并开始掷骰子，最后输出结果。

知识点：

1.random模块
（1）random模块用于生成随机数，包含整数，浮点数，获取列表中的随机元素
（2）常用函数，random库里面有几个常用的函数，分别如下：

random常用函数

2.enumerate()函数
（1）enumerate()函数用于将可遍历的组合转换为一个索引序列
（2）一般用于for循环中，同时列出元素和元素的索引号
random模块函数示例：

enumerate函数示例：

PS：更多random模块的方法请参考：https://docs.python.org/3/library/random.html

扔骰子函数，先引入ramdom库，randint(1,6)返回的是1 - 6的整数赋值给dice_num，最后返回该结果：

import random

def roll_dice():
    """
        掷骰子
    """
    dice_num = random.randint(1, 6)
    return dice_num

主体代码，里面先初始化主要的参数是total_time次数和result_list次数统计列表，for循环迭代range(total_times)对象，计算每次掷骰子的结果然后再for循环给统计列表计数，若符合则+1，最后enumerate()会返回两个参数，第1个给i，第2个给result再进行for循环迭代，因为列表下标是从0开始的，所以format的i需要+1正确显示0：

    # 掷骰子次数
    total_times = 1000
    # 初始化结果列表[0,0,0,0,0,0]
    result_list = [0] * 6

    # 开始掷骰子
    for i in range(total_times):
        roll = roll_dice()
        # 给列表计数
        for j in range(1, 7):
            if roll == j:
                result_list[j - 1] += 1

    # 输出结果
    for i, result in enumerate(result_list):
        print("计数为{}的骰子出现次数{}，频率：{}".format(i + 1, result, result / total_times))

结果如图所示：

1个骰子1000次结果统计

v2.0

在v1.0的基础上，2.0功能：模拟抛掷2个骰子，并输出其结果。由于要2个骰子，因此骰子的点数要新建列表，然后使用字典将对应的点数和次数关联起来。zip()函数的作用就是把骰子列表和统计列表组合成元组，然后用dict()转换成字典。

知识点：

1.zip()函数：
（1）zip()函数用于将对应的元素打包成一个个元组
（2）注意：元组中的元素是不可修改的，若要修改元素值可转换成字典类型；如：dict(zip(l1, l2))
（3）Python2.x版本和Python3版本的zip()函数返回结果不同，示例如下：

Python2

Python3示例

zip函数示例：

投掷子函数之前相同，不展示了。

具体代码，首先新建结果列表，因为2个骰子的结果有11种，所以要[0]*11，而点数列表对应也有11种，并且是2 - 12。dict(zip(roll_list, result_list))返回的结果是key为点数，value为结果计数的字典：

    # 掷骰子次数
    total_times = 1000
    # 初始化结果列表[0,0,0,0,0,0]
    result_list = [0] * 11
    # 初始化点数列表
    roll_list = list(range(2, 13))
    roll_dict = dict(zip(roll_list, result_list))
    print(roll_dict)

    # 开始掷骰子
    for i in range(total_times):
        roll1 = roll_dice()
        roll2 = roll_dice()
        # 给列表计数
        for j in range(2, 13):
            if (roll1 + roll2) == j:
                roll_dict[j] += 1

    # 输出结果
    for i, result in roll_dict.items():
        print("计数为{}出现的次数为{}，频率：{}".format(i, result, result / total_times))

运行结果：

v3.0

在2.0的基础上，3.0功能：可视化抛掷2个骰子的结果；通过绘制散点图图像，简单分析数据的分布情况，使用到matploylib库。

知识点：

1.Python数据可视化：matplotlib模块
（1）matplotlib是一个数据可视化函数库
（2）matplotlib的子模块pyplot提供了2D图表制作的基本函数
（3）例子：https://matplotlib.org/gallery.html
（4）散点图绘制操作
import matplotlib.pyplot as plt
plt.scatter(x, y) # x, y分别是x坐标和y坐标的列表
plt.show()

2.scatter()参数详解
matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, data=None, **kwargs)

参数的解释：
x，y：表示的是大小为(n,)的数组，也就是我们即将绘制散点图的数据点
s:是一个实数或者是一个数组大小为(n,)，这个是一个可选的参数。
c:表示的是颜色，也是一个可选项。默认是蓝色'b',表示的是标记的颜色，或者可以是一个表示颜色的字符，或者是一个长度为n的表示颜色的序列等等，感觉还没用到过现在不解释了。但是c不可以是一个单独的RGB数字，也不可以是一个RGBA的序列。可以是他们的2维数组（只有一行）。
marker:表示的是标记的样式，默认的是'o'。
cmap:Colormap实体或者是一个colormap的名字，cmap仅仅当c是一个浮点数数组的时候才使用。如果没有申明就是image.cmap
norm:Normalize实体来将数据亮度转化到0-1之间，也是只有c是一个浮点数的数组的时候才使用。如果没有申明，就是默认为colors.Normalize。
vmin,vmax:实数，当norm存在的时候忽略。用来进行亮度数据的归一化。
alpha：实数，0-1之间。

主要代码，骰子的计数方式和之前相同，新增绘制散点图。散点图绘制要先import引入库，在用scatter()设置骰子1和2的显示方式，参数包含x轴坐标，y轴坐标，颜色和透明度，最后显示：

    # 掷骰子次数
    total_times = 1000
    # 初始化结果列表[0,0,0,0,0,0]
    result_list = [0] * 11
    # 初始化点数列表
    roll_list = list(range(2, 13))
    roll_dict = dict(zip(roll_list, result_list))
    # 初始化骰子结果列表
    roll1_result = []
    roll2_result = []

    # 开始掷骰子
    for i in range(total_times):
        roll1 = roll_dice()
        roll2 = roll_dice()
        roll1_result.append(roll1)
        roll2_result.append(roll2)

        # 给列表计数
        for j in range(2, 13):
            if (roll1 + roll2) == j:
                roll_dict[j] += 1

    # 输出结果
    for i, result in roll_dict.items():
        print("计数为{}出现的次数为{}，频率：{}".format(i, result, result / total_times))

    # 绘制散点图
    x = range(1, total_times + 1)
    plt.scatter(x, roll1_result, c="red", alpha=0.5)
    plt.scatter(x, roll2_result, c="blue", alpha=0.5)
    plt.show()

代码部分运行结果：

散点图

v4.0

在v3.0的基础上，4.0功能：对结果进行简单的数据统计和分析。使用matplotlib直方图做简单的数据统计分析。直方图可以直接看到分布情况，简单易懂。在做数据分析或机器学习时会经常用到。

知识点：

1.matplotlib直方图
（1）直方图是一种对数据分布情况的图形表示
（2）首先要对数据进行分组，然后统计每个分组内数据的数量。
（3）作用：
• 显示各分组频率或数量分布的情况
• 易于显示各组之间频率或数量的差别
（4）matplotlib绘制直方图
plt.hist(data, bins)
data: 数据列表
bins: 分组边界
2.hist()参数和返回值：
调用方式：
n, bins, patches = plt.hist(arr, bins=10, normed=0, facecolor='black', edgecolor='black',alpha=1，histtype='bar')

hist的参数非常多，但常用的就这六个，只有第一个是必须的，后面四个可选
arr: 需要计算直方图的一维数组
bins: 直方图的柱数，可选项，默认为10
normed: 是否将得到的直方图向量归一化。默认为0
facecolor: 直方图颜色
edgecolor: 直方图边框颜色
alpha: 透明度
histtype: 直方图类型，‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’

返回值：
n: 直方图向量，是否归一化由参数normed设定
bins: 返回各个bin的区间范围
patches: 返回每个bin里面包含的数据，是一个list

hist()函数参数详解：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.hist.html
https://blog.csdn.net/qq_41940950/article/details/82937966
3.hist示例和中文显示错误解决方法

plt.rcParams[]详解参考： http://www.cnblogs.com/pacino12134/p/9776882.html

主要代码，骰子的计数方式和之前相同，新增绘制直方图。直方图绘制要先import引入库，在用hist()设置直方图的显示形状，参数包含x轴坐标，y轴坐标，归一化即y轴数据修改为频率，边框颜色（间隔开方便观察）；title()设置直方图标题，xlabel()设置x轴标题，ylabel设置y轴标题，这3个都用size更改字体大小。最后显示：：

# 掷骰子次数
    total_times = 100000
    # 初始化结果列表[0,0,0,0,0,0]
    result_list = [0] * 11
    # 初始化点数列表
    roll_list = list(range(2, 13))
    roll_dict = dict(zip(roll_list, result_list))
    # 掷骰子结果初始化
    roll_list = []
    # 开始掷骰子
    for i in range(total_times):
        roll1 = roll_dice()
        roll2 = roll_dice()
        roll_list.append(roll1 + roll2)
        # 给列表计数
        for j in range(2, 13):
            if (roll1 + roll2) == j:
                roll_dict[j] += 1

    # 输出结果
    for i, result in roll_dict.items():
        print("计数为{}出现的次数为{}，频率：{}".format(i, result, result / total_times))

    # 绘制散点图
    plt.hist(roll_list, bins=range(2, 14), density=1, edgecolor="yellow", rwidth=3)  # normed=1
    plt.title("骰子点数统计",size=16)
    plt.xlabel("点数", size=10)
    plt.ylabel("频率", size=10)
    plt.show()

执行结果：

v5.0

在v4.0的基础上，5.0功能：使用科学计算库简化程序，完善数据可视化结果。使用科学计算库NumPy简化程序。numpy可以直接生成大量的随机数对象数组，不需要再每次生成1个再加入列表中了，除此之外numpy还包含其他处理多维数组的方法。

知识点：

NumPy
（1）NumPy (Numeric Python)：用Python实现的科学计算库
（2）包括：
a.强大的N维数组对象array
b.成熟的科学函数库
c.实用的线性代数、随机数生成函数等
（3）NumPy的操作对象是多维数组ndarray
（4）ndarray.shape 数组的维度；操作方法如下：
创建数组：np.array()，np.arrange() …
改变数组形状 reshape()
2.histogram()详解
umpy.histogram(a, bins=10, range=None, normed=False, weights=None, density=None)

参数：
a ： array_like
输入数据。直方图在平顶阵列上计算。

bin ： int或scalars或str的序列，可选
如果bin是int，则它定义给定范围内的等宽bin的数量（默认为10）。如果bin是一个序列，它定义了一个单调增加的bin边缘数组，包括最右边的边，允许不均匀的bin宽度。

range :( float，float），可选
箱子的下部和上部范围。如果没有提供，范围很简单。超出范围的值将被忽略。范围的第一个元素必须小于或等于第二个元素。range也会影响自动bin计算。虽然基于范围内的实际数据计算箱宽度是最佳的，但箱计数将填充整个范围，包括不包含数据的部分。(a.min(), a.max())

normed ： bool，可选
从版本1.6.0开始不推荐使用。
这相当于density参数，但是对于不相等的bin宽度产生不正确的结果。不应该使用它。

weights ： array_like，可选
一系列重量，形状与a相同。中的每个值一个不仅有助于其相关联的权重对所述的箱数（而不是1）。如果密度为True，则将权重归一化，以使密度在整个范围内的积分保持为1。

density ： bool，可选
如果False，结果将包含每个bin中的样本数。如果True，结果是bin处的概率密度函数的值，则归一化使得该范围上的积分为1.注意，除非选择单位宽度的区间，否则直方图值的总和将不等于1; 它不是概率质量函数。

返回值，有两个，
hist : array

bin_edges : array of dtype float，bin edges 的长度要是 hist 的长度加1，bin edges (length(hist)+1)，也即 (bin_edges[0], bin_edges[1]) ⇒ hist[0]，….，(bin_edges[-2], bin_edges[-1]) ⇒ hist[-1]，bin_edges 参数与输入参数的 bins 保持一致；

PS：numpy详细教程参考：https://blog.csdn.net/a373595475/article/details/79580734
数组维度详解：https://www.cnblogs.com/Allen-rg/p/9592590.html
np.arange()函数详解：https://jingyan.baidu.com/article/e6c8503c1e89d6e54f1a188c.html
reshape()函数详解：https://blog.csdn.net/qq_28618765/article/details/78083895
数组的使用：http://www.cnblogs.com/dwnblogs/archive/2012/07/15/2592714.html
histogram()详解参考：https://docs.scipy.org/doc/numpy/reference/generated/numpy.histogram.html

主函数代码，先导入numpy库，调用里面的random.randint()直接生成含有大量随机数的对象数组，方法函数包含起始数，终结数，数据数量；然后调用np.histogram统计结果，返回2-12点数的出现次数和对应的区间；然后hist绘制直方图，参数包含y轴数据，x轴数据，归一化，边框颜色，边框宽度，方条间隔；xticks()设置x轴坐标点的显示，参数包含显示坐标(这里+0.5居中显示方便观看)和坐标点显示的标题；接着设置标题，y和x的标题，最后显示。

    # 掷骰子次数
    total_times = 1000000

    # 使用array操作随机数
    roll1_arr = np.random.randint(1, 7, size=total_times)
    roll2_arr = np.random.randint(1, 7, size=total_times)
    # 统计结果、
    result_arr = (roll1_arr + roll2_arr)
    hist, bins = np.histogram(result_arr, bins=range(2, 14))
    print(hist)
    print(bins)

    # 绘制散点图
    plt.hist(result_arr, bins=range(2, 14), density=1, edgecolor="yellow", linewidth=1, rwidth=0.8)  # normed=1
    # 设置x轴坐标点显示
    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, 13) + 0.5
    plt.xticks(tick_pos, tick_labels)
    plt.title("骰子点数统计", size=16)
    plt.xlabel("点数", size=10)
    plt.ylabel("频率", size=10)
    plt.show()

执行结果：

总结

模拟掷骰子的5个例子，知识点归纳如下：

重点是 Numpy库的知识点和相关操作和 matplotlib库的操作
完整代码查看码云

案例（7）：模拟掷骰子

案例描述

案例分析

v1.0

知识点：

v2.0

知识点：

v3.0

知识点：

v4.0

知识点：

v5.0

知识点：

总结

你可能感兴趣的:(案例（7）：模拟掷骰子)