求助：如何按指定概率正确生成多分类变量？——numpy.random.choice概率匹配异常问题

嘿，我一眼就看出问题所在啦！你写代码的时候没给概率参数指定参数名，导致参数传错位置了，这才出现了和预期完全相反的结果。

问题根源 #

np.random.choice的参数顺序是：(a, size=None, replace=True, p=None)。你把概率列表直接放在了第三个参数的位置，而这个位置对应的是replace（控制是否允许重复抽样的布尔值），不是概率参数p。numpy收到这个错误的参数后，不仅没应用你设定的概率，还触发了异常的抽样逻辑，最终导致分类频率完全不符合预期。

修复后的代码 #

只需要给概率列表加上p=的参数名，明确告诉numpy这是抽样概率就可以了：

import numpy as np
import pandas as pd

# 定义分类类型和对应概率
income_categories = [
    "TypeOfIncome_1", "TypeOfIncome_2", "TypeOfIncome_3",
    "TypeOfIncome_4", "TypeOfIncome_5", "TypeOfIncome_6",
    "TypeOfIncome_7", "TypeOfIncome_8"
]
category_probs = [0.6, 0.2, 0.05, 0.03, 0.03, 0.03, 0.03, 0.03]

# 显式指定p参数生成符合概率的数据集
df_categories = pd.DataFrame(
    np.random.choice(income_categories, size=100, p=category_probs),
    columns=['source_of_income']
)

# 查看生成结果和频率统计
df_categories
print(df_categories['source_of_income'].value_counts())

额外建议 #

以后调用参数较多的函数时，尽量显式指定参数名，这样既能避免参数顺序搞错的问题，也能让代码更易读，别人看你的代码时也能一眼明白每个参数的作用。

内容的提问来源于stack exchange，提问作者silent_hunter