Python + NumPy でランダムデータを生成して可視化する方法

学校の研究課題（？）でちょっと必要になったので書いてみました
データのランダム生成に使ってます

---

目次

1. はじめに

2. NumPyでランダムデータを生成する

   • 一様分布
   • 正規分布
   • 整数乱数
   • シード値で再現性を確保

3. matplotlibでデータを可視化する

   • ヒストグラム
   • 散布図
   • 線グラフ

4. 応用例

   • 複数分布の比較
   • 3D散布図
   • ゲームやシミュレーションでの活用

5. まとめ

---

1. はじめに

データ分析や機械学習、シミュレーションなどで「ランダムデータ」が必要になる場面は多いです。
Pythonの NumPy は数値計算ライブラリとして非常に高速で便利であり、簡単にランダムデータを生成できます。
さらに matplotlib を使えば、生成したデータを直感的に可視化することが可能です。

この記事では、コード例とともに解説します。

---

2. NumPyでランダムデータを生成する

2-1. 一様分布

import numpy as np

# 0以上1未満の乱数を10個生成
random_floats = np.random.rand(10)
print("乱数 (0~1):", random_floats)

解説

• np.random.rand(n) は [0,1) の範囲で n 個の乱数を生成します
• 数値の偏りがない均等な分布（=一様分布）

---

2-2. 正規分布

# 平均0、標準偏差1の正規分布乱数を10個生成
random_normals = np.random.randn(10)
print("正規分布乱数:", random_normals)

解説

• np.random.randn(n) は平均0、標準偏差1の正規分布に従う乱数を生成
• 中央付近に値が集まり、両端は少ない分布（ベル型カーブ）

---

2-3. 整数乱数

# 0から9までの整数を10個ランダム生成
random_integers = np.random.randint(0, 10, 10)
print("整数乱数:", random_integers)

解説

• np.random.randint(low, high, size)

  • low 以上、high 未満の整数を生成
  • 例: 0~9 の整数乱数10個

---

2-4. シード値で再現性を確保

np.random.seed(42)  # シード値を固定
print(np.random.rand(5))

解説

• 同じシード値を設定すると、毎回同じ乱数列が生成されます
• 実験や検証で結果を再現したいときに便利

---

3. matplotlibでデータを可視化する

3-1. 柱状グラフ(ヒストグラム)

import matplotlib.pyplot as plt

data = np.random.randn(1000)  # 正規分布乱数1000個
plt.hist(data, bins=30, color='skyblue', edgecolor='black')
plt.title("正規分布のヒストグラム")
plt.xlabel("値")
plt.ylabel("出現回数")
plt.show()

ポイント

• plt.hist() でデータの分布を視覚化
• bins → データを分割する区間の数
• ヒストグラムは正規分布や偏りを確認するのに便利

---

3-2. 散布図

x = np.random.rand(50)
y = np.random.rand(50)
plt.scatter(x, y, color='orange')
plt.title("ランダム散布図")
plt.xlabel("x")
plt.ylabel("y")
plt.show()

ポイント

• plt.scatter() は2次元データの相関や分布を可視化
• データがどのように広がっているかを直感的に理解可能

---

3-3. 線グラフ（ランダムウォーク）

y = np.random.randn(100).cumsum()  # 累積和でランダムウォーク
plt.plot(y, color='green')
plt.title("ランダムウォーク")
plt.xlabel("ステップ")
plt.ylabel("値")
plt.show()

ポイント

• ランダムウォークは金融や物理のシミュレーションでよく使われます
• cumsum() で累積和を計算し、時間変化を表現

---

4. 応用例

1. 複数分布の比較

   plt.hist(np.random.randn(1000), bins=30, alpha=0.5, label='正規分布1')
   plt.hist(np.random.randn(1000)+1, bins=30, alpha=0.5, label='正規分布2')
   plt.legend()
   plt.show()
   

2. 3D散布図

   from mpl_toolkits.mplot3d import Axes3D
   
   fig = plt.figure()
   ax = fig.add_subplot(111, projection='3d')
   ax.scatter(np.random.rand(50), np.random.rand(50), np.random.rand(50))
   plt.show()
   

3. ゲームやシミュレーション

   • マップ生成、敵のランダム配置、シミュレーションのランダム要素などに応用可能

---

5. まとめ

• NumPyで乱数生成は簡単で高速
• matplotlibと組み合わせることでデータを直感的に理解可能
• ヒストグラム、散布図、線グラフを駆使して分析や可視化を行える
• データ分析、シミュレーション、ゲーム制作など幅広く応用可能

---