我完全懂你遇到的痛点——np.random.choice的概率参数只是期望概率，哪怕是100x100这种规模的样本，也没法保证精确的占比，总会有偏差。要实现严格符合要求的分布，我们可以换个思路：先按精确数量生成所有元素，再随机打乱重塑，这样就能100%满足占比要求。

核心思路 #

1. 计算精确数量：先算出每个元素需要的个数——总元素数是100*100=10000，所以0需要1000个，-1、1、2各需要3000个。
2. 构造元素集合：把对应数量的元素拼接成一个一维数组。
3. 随机打乱：确保元素在数组里完全随机分布。
4. 重塑网格：把一维数组转换成100x100的二维网格。

代码实现 #

针对当前需求的硬编码版本 #

import numpy as np

# 计算各元素的精确数量
total_elements = 100 * 100
count_0 = int(total_elements * 0.1)
count_non_zero = int((total_elements - count_0) / 3)  # 三个非零元素数量均等

# 创建包含所有元素的一维数组
grid_flat = np.hstack([
    np.full(count_non_zero, -1),
    np.full(count_0, 0),
    np.full(count_non_zero, 1),
    np.full(count_non_zero, 2)
])

# 随机打乱数组（直接修改原数组，节省内存）
np.random.shuffle(grid_flat)

# 重塑为100x100的网格
grid = grid_flat.reshape(100, 100)

# 验证占比是否完全符合要求
print(f"0的数量: {np.count_nonzero(grid == 0)} (预期: {count_0})")
print(f"-1的数量: {np.count_nonzero(grid == -1)} (预期: {count_non_zero})")
print(f"1的数量: {np.count_nonzero(grid == 1)} (预期: {count_non_zero})")
print(f"2的数量: {np.count_nonzero(grid == 2)} (预期: {count_non_zero})")

通用化函数（适配不同占比和网格大小） #

如果以后需要调整0的占比、网格尺寸或者非零元素列表，可以封装成一个更灵活的函数：

def create_precise_grid(grid_size=(100,100), zero_ratio=0.1, non_zero_values=[-1,1,2]):
    total_elements = grid_size[0] * grid_size[1]
    count_0 = int(total_elements * zero_ratio)
    base_non_zero_count = int((total_elements - count_0) / len(non_zero_values))
    
    # 处理总元素数无法整除的边界情况（把余数补到最后一个非零元素上）
    remaining = (total_elements - count_0) % len(non_zero_values)
    
    # 构建各元素的数组片段
    parts = []
    for idx, val in enumerate(non_zero_values):
        current_count = base_non_zero_count
        # 如果是最后一个非零元素且有余数，补一个
        if idx == len(non_zero_values)-1 and remaining > 0:
            current_count += remaining
        parts.append(np.full(current_count, val))
    # 加入0的片段
    parts.append(np.full(count_0, 0))
    
    # 拼接、打乱、重塑
    grid_flat = np.hstack(parts)
    np.random.shuffle(grid_flat)
    return grid_flat.reshape(grid_size)

# 测试：0占20%的情况
grid_20_zero = create_precise_grid(zero_ratio=0.2)
print(f"0的占比: {np.count_nonzero(grid_20_zero ==0)/(100*100):.2%}")
print(f"每个非零元素的占比: {np.count_nonzero(grid_20_zero ==-1)/(100*100):.2%}")

为什么这个方法可靠？ #

和np.random.choice的概率抽样不同，这个方法是先构造出精确数量的元素集合，再完全随机打乱——相当于把所有元素放进袋子摇匀再铺成网格，不管网格大小是多少，哪怕是10x10的小样本，也能严格符合占比要求，不会有任何偏差。

内容的提问来源于stack exchange，提问作者tanasr