函數功能：繪制平行于x軸的水平參考線調用簽名：plt.axhline(y=0.0, c="r", ls="--", lw=2)y：水平參考線的出發點c：參考線的線條顏色ls：參考線的線條風格lw：參考線的線條寬度平移性：上面的函數，同樣適用于axvline()函數

示例：

d2l.plt.axhline(y=0.167, color='black', linestyle='dashed') import torch from torch.distributions import multinomial from d2l import torch as d2l# 為了抽取?個樣本，我們只需傳??個概率向量。輸出是另?個相同?度的向量：它在索引i處的值是采樣結果中i出現的次數。 fair_probs = torch.ones([6]) / 6 # print(fair_probs) # tensor([0.1667, 0.1667, 0.1667, 0.1667, 0.1667, 0.1667]) print(multinomial.Multinomial(1, fair_probs).sample()) # tensor([0., 0., 1., 0., 0., 0.])# 如果你運?采樣器很多次，你會發現每次你都得到隨機的值。在估計?個骰?的公平性時，我們經常希望從 # 同?分布中?成多個樣本。如果?Python的for循環來完成這個任務，速度會慢得令?難以忍受，因此我們使 # ?的函數?持同時抽取多個樣本，返回我們想要的任意形狀的獨?樣本數組。 print(multinomial.Multinomial(10, fair_probs).sample()) # tensor([1., 2., 1., 2., 2., 2.])# 現在我們知道如何對骰?進?采樣，我們可以模擬1000次投擲。然后，我們可以統計1000次投擲后, 每個數字 # 被投中了多少次。具體來說，我們計算相對頻率作為真實概率的估計。 # 將結果存儲為32位浮點數以進?除法 counts = multinomial.Multinomial(1000, fair_probs).sample() counts = counts / 1000 # 相對頻率作為估計值 print(counts) # tensor([0.1530, 0.1700, 0.1620, 0.1600, 0.1770, 0.1780]) # 因為我們是從?個公平的骰?中?成的數據，我們知道每個結果都有真實的概率1/6，?約是0.167，所以上? # 輸出的估計值看起來不錯。# 我們也可以看到這些概率如何隨著時間的推移收斂到真實概率。讓我們進?500組實驗，每組抽取10個樣本 counts = multinomial.Multinomial(10, fair_probs).sample((500,)) print(counts.shape) # torch.Size([500, 6]) cum_counts = counts.cumsum(dim=0) # 沿指定軸逐級累加estimates = cum_counts / cum_counts.sum(dim=1, keepdims=True) # 獲得概率# 繪圖 d2l.set_figsize((6, 4.5)) for i in range(6):# d2l.plt.plot(estimates[:, i].numpy(), label=("P(die=" + str(i + 1) + ")"))d2l.plt.plot(estimates[:, i], label=("P(die=" + str(i + 1) + ")")) # 轉不轉換成numpy數組都行 d2l.plt.axhline(y=0.167, color='black', linestyle='dashed') d2l.plt.gca().set_xlabel('Groups of experiments') d2l.plt.gca().set_ylabel('Estimated probability') d2l.plt.legend() d2l.plt.show()

運行結果：

參考文章：python可視化—axhline()函數

總結

以上是生活随笔為你收集整理的python matplotlib pyplot plt.axhline()函数（绘制平行于x轴的水平参考线）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。