파이썬으로 몬테카를로 시뮬레이션 : 즉석에서 막대 그래프 만들기

Question

파이썬으로 히스토그램을 작성하는 것에 대한 개념적인 질문이 있습니다. 나는 좋은 알고리즘이 있는지 아니면 기존 패키지가 있는지 알아 내려고 노력 중이다.

몬테카를로 시뮬레이션을 실행하는 함수를 작성하여 1,000,000,000 번 호출하고 각 실행이 끝날 때 64 비트 부동 소수점을 반환합니다.

def MonteCarlo(df,head,span): 
    # Pick initial truck 
    rnd_truck = np.random.randint(0,len(df)) 
    full_length = df['length'][rnd_truck] 
    full_weight = df['gvw'][rnd_truck] 

    # Loop using other random trucks until the bridge is full 
    while True: 
     rnd_truck = np.random.randint(0,len(df)) 
     full_length += head + df['length'][rnd_truck] 
     if full_length > span: 
      break 
     else: 
      full_weight += df['gvw'][rnd_truck] 

    # Return average weight per feet on the bridge 
    return(full_weight/span) 

df 각각 트럭의 길이와 무게입니다 'length' 및 'gvw'로 표시 열을 갖는 팬더의 dataframe 개체입니다 : 아래는 말했다 기능입니다. head은 두 개의 연속적인 트럭 사이의 거리이고, span은 교량 길이입니다. 이 기능은 트럭 열차의 전체 길이가 교량 길이보다 작은 한 트럭을 교량에 무작위로 배치합니다. 마지막으로 다리 당 기존 트럭의 평균 중량 (다리에있는 총 무게를 다리 길이로 나눈 값)을 계산합니다.

결과로 반환 값의 분포를 보여주는 표 히스토그램을 작성하고 싶습니다.이 값은 나중에 플롯 할 수 있습니다. 내가 마음에 몇 가지 아이디어를 가지고 :

1. 보관할은 몬테카를로 분석이 완료되면 다음 기존의 히스토그램 기능을 사용하는 NumPy와 벡터에 반환 된 값을 수집. 계산이 정확하다면 해당 벡터에만 7.5GB의 메모리가 필요합니다 (1,000,000,000 64 비트 부동 소수점 ~ 7.5GB)

2. 주어진 범위와 빈 수를 사용하여 numpy 배열을 초기화하십시오. . 매 실행이 끝날 때마다 일치하는 저장소의 항목 수를 하나씩 늘리십시오. 문제는 내가 얻을 수있는 가치의 범위를 모른다는 것입니다. 범위와 적절한 크기의 막대 그래프를 설정하는 것은 알 수 없습니다. 또한 정확한 bin에 값을 할당하는 방법을 알아야하지만, 그것이 가능하다고 생각합니다.

3. 어떻게 든 비행 중에하세요. 함수가 숫자를 반환 할 때마다 범위와 빈 크기를 수정하십시오. 이것은 생각하기에는 너무 까다로울 것입니다.

글쎄,이 문제를 해결할 수있는 더 좋은 방법이있을 것입니다. 어떤 아이디어라도 환영받을 것입니다!

두 번째 메모에서 위의 함수를 1,000,000,000 번 실행하여 계산 된 최대 값만 가져 오는 테스트를 수행했습니다 (코드 스 니펫은 아래에 있음). 그리고 이것은 span = 200 일 때 약 1 시간이 걸립니다. 더 긴 기간 동안 실행하면 계산 시간이 증가합니다 (while 루프는 트럭으로 브리지를 채우기 위해 더 오래 실행됩니다). 생각하는 것을 최적화 할 수있는 방법이 있습니까?

max_w = 0 
i = 1 
    while i < 1000000000: 
     if max_w < MonteCarlo(df_basic, 15., 200.): 
      max_w = MonteCarlo(df_basic, 15., 200.) 
    i += 1 
print max_w 

고마워요!

Answer 1

고정 빈 크기와 [k * 크기, (k + 1) * 크기 [ finalizebins 함수는 bin 카운트 (a)와 bin 목록 (binsize를 더하여 상한값이 추측 됨)이있는 다른 (b)의 두 목록을 반환합니다. 큰 상자에 값을 할당

는

import math, random 

def updatebins(bins, binsize, x): 
    i = math.floor(x/binsize) 
    if i in bins: 
     bins[i] += 1 
    else: 
     bins[i] = 1 

def finalizebins(bins, binsize): 
    imin = min(bins.keys()) 
    imax = max(bins.keys()) 
    a = [0] * (imax - imin + 1) 
    b = [binsize * k for k in range(imin, imax + 1)] 
    for i in range(imin, imax + 1): 
     if i in bins: 
      a[i - imin] = bins[i] 
    return a, b 

# A test with a mixture of gaussian distributions 

def check(n): 
    bins = {} 
    binsize = 5.0 
    for i in range(n): 
     if random.random() > 0.5: 
      x = random.gauss(100, 50) 
     else: 
      x = random.gauss(-200, 150) 
     updatebins(bins, binsize, x) 
    return finalizebins(bins, binsize) 

a, b = check(10000) 

# This must be 10000 
sum(a) 

# Plot the data 
from matplotlib.pyplot import * 
bar(b,a) 
show()