python两维的高斯数据生成

利用NumPy库生成二维高斯数据

可以使用NumPy库中的random.multivariate_normal函数来生成二维高斯分布的数据。需要定义均值向量和协方差矩阵，然后用该函数生成期望数量的数据点。例如：

import numpy as np
mean = [0, 0]
cov = [[1, 0], [0, 1]]
data = np.random.multivariate_normal(mean, cov, 1000)
这将生成1000个均值为(0,0)，协方差矩阵为单位矩阵的二维高斯分布数据。

使用Matplotlib绘制散点图和等高线

利用Matplotlib库可以用scatter函数绘制散点图，展示数据的分布情况。等高线图可以通过计算二维高斯概率密度函数（PDF）值，然后用contour或contourf函数绘制。例如，先生成网格点，计算每点的PDF，再画等高线图：

import matplotlib.pyplot as plt
from scipy.stats import multivariate_normal
x, y = np.mgrid[-3:3:.01, -3:3:.01]
pos = np.dstack((x, y))
rv = multivariate_normal(mean, cov)
z = rv.pdf(pos)
plt.contourf(x, y, z)
plt.show()
这样可以得到二维高斯分布的形状。

通过修改协方差矩阵控制数据的分布形状和方向

协方差矩阵决定了数据点的扩散方向和形状。对角线上的值控制两个维度的方差大小，非对角线元素控制两个维度之间的相关性。若协方差矩阵呈对角矩阵，数据呈圆形或椭圆与坐标轴平行的形态。非零的非对角线元素会使椭圆倾斜，表现为维度之间的相关性。调整这些参数，即可生成不同形状和方向的二维高斯分布样本。