IV.python初探日記:python實現蒙特卡洛方法計算π值
完整的代碼在文末,本文適合小白看,完全白紙的都可以,也希望大神們不吝賜教。
一、最簡單的實現方法
下面是最簡單的實現方式,模擬試驗一千萬次,但模擬出來的π值並不精確。
import randomzongshu = 10000000jishu = 0for i in range(zongshu) : x = random.random() y = random.random() if (x ** 2 + y ** 2) < 1 : jishu+=1print(jishu * 4.0 / zongshu)
二、關於代碼的效率問題
上面這段代碼的計算速度和精度都相當粗糙,然而我還沒有對改進代碼的想法,所以下面就直接暴力模擬了。下面是粗略地試驗了一下各種實驗次數下的實現時間,此處引用的是我修改後的代碼,原代碼為——使用Python語言的蒙特卡洛方法計算圓周率π的一種實現。
from __future__ import divisionimport randomimport timenum = 1for j in range(1, 7): startT = time.clock() # 落入圓內計數 counter = 0 # 往正方形中扔了 10 的 j 次方次 for i in range(10 ** j): x = random.uniform(-1, 1) y = random.uniform(-1, 1) # 落入了圓內 if x**2 + y**2 < 1: counter = counter + 1 endT = time.clock() print ( num) print ( pi:{0}.format(4 * (counter / 10 ** j))) print ( Time:{0}.format(endT - startT)) print () num += 1
模擬試驗一千萬次以上的時間就相當漫長了。
三、matplotlib輸出
左圖輸出的是模擬的1/4圓試驗,右圖輸出的是試驗次數和計算π值的關係,這裡主要碰到了下面這幾個問題。
1、生成隨機點
主要的思想是生成兩組隨機數分別加入兩組數組。原本不知道matplotlib是可以直接輸出數組的,折騰了好久才發現這麼簡單......嘗試過的方法有:循環「生成一個隨機點」這個步驟;生成兩對隨機數組,然後一一匹配得到隨機點;還有一些奇葩的就不列舉了......總之這些步驟都沒有去搜索,純粹想鍛煉一下自己的思維。
2、1/4圓「那條線」
一開始是想用matplotlib直接畫一個圓,結果發現matplotlib不能直接畫圓(也有可能是我沒找到,知道的同學告訴我一聲);隨後想到圓環、實心圓塗色等幾個方法,但實現起來都較為複雜,最後我找到了這樣一個方法numpy.meshgrid,直接把這個1/4圓描了出來:
x = y = np.arange(-1, 1, 0.001)x, y = np.meshgrid(x,y)p1.contour(x, y, x**2 + y**2, [1])
3、右圖代碼的取捨
右邊的關係圖,考慮到速度和精度,取的是1000。
C = [ (j+1) for j in range(1000)]D = [ M((j+1)) for j in range(1000)]
其實可以改進為下面這樣,但我原代碼中沒有修改。
C = [ 100 * (j+1) for j in range(100)]D = [ M(100 * (j+1)) for j in range(100)]
4、排版問題
用的是「121」的排版方式,出來的圖手工拉動了一下大小,不過似乎matplotlib是可以直接控制輸出的,這點我要再琢磨下。
5、遺留問題
左圖其實可以直接生成隨機點;「1/4圓」的問題沒有從根本上解決;輸出的排版沒有解決;代碼的優化完全沒有涉及;另外比較現實的是,如何把「1/4圓」一下的點抹成紅色,「1/4圓」以上的點保持藍色,這點我還沒有去嘗試解決。上面的遺留問題如果有進一步的探索的話,我會在這裡跟進的。
四、完整代碼
最後是完整的代碼。
import randomimport matplotlib.pyplot as pltimport numpy as npA = []B = []cishu = 100for i in range(cishu): X = random.random() A.append(X) Y = random.random() B.append(Y)def M(zongshu): jishu = 0.0 for j in range(zongshu): x = random.random() y = random.random() if ( x**2 + y**2 ) < 1: jishu += 1 return (jishu/zongshu * 4.0)fig=plt.figure()p1=fig.add_subplot(121)p1.axis([0,1,0,1])p1.scatter(A, B) x = y = np.arange(-1, 1, 0.001)x, y = np.meshgrid(x,y)p1.contour(x, y, x**2 + y**2, [1])p2=fig.add_subplot(122)C = [ (j+1) for j in range(1000)]D = [ M((j+1)) for j in range(1000)]p2.plot(C, D)plt.show()
推薦閱讀:
※Seaborn(sns)官方文檔學習筆記(第六章 繪製數據網格)
※基於matplotlib的2D/3D抽象網格和能量曲線繪製程序
※使用Matplotlib畫動態圖實例
※Python數據抓取與可視化實戰——網易雲課堂人工智慧與大數據板塊課程實戰
※Matplotlib 可視化系列一
TAG:Python | Matplotlib | 蒙特卡洛方法 |