如何在指定范围内稳定生成对数正态与幂律分布样本？

一、对数正态分布样本生成 #

问题分析 #

你的核心思路是对的，但代码存在两处关键问题：

• 未调用np.exp会导致语法错误；
• 未固定随机种子，导致样本生成结果不稳定；
• 样本很少接近500的本质原因：如果mu和sigma是从1-500的数据集拟合而来，原对数正态分布的上尾本来就极窄，500对应的对数正态概率密度极低，因此采样中出现接近500的样本概率自然不高。

修正后的稳定生成代码 #

import numpy as np
from scipy.stats import truncnorm

def generate_lognormal(xmin, xmax, mu, sigma, n, random_state=42):
    # 计算标准化后的截断正态分布上下界
    a = (np.log(xmin) - mu) / sigma
    b = (np.log(xmax) - mu) / sigma
    # 固定随机种子保证生成结果稳定
    norm_samples = truncnorm.rvs(a, b, loc=0, scale=1, size=n, random_state=random_state)
    # 转换为对数正态分布样本
    lognorm_samples = np.exp(mu + sigma * norm_samples)
    return lognorm_samples

提升上尾样本占比的可选方案 #

如果需要更多接近500的样本，且不要求严格匹配原数据集的分布，可以调整参数：增大mu会让整体分布右移，增大sigma会让分布更分散，从而提升上尾样本的占比。若需严格贴合原数据集拟合结果，只能通过增加样本量来提升出现接近500样本的概率。

二、幂律分布样本生成 #

powerlaw模块默认生成无界幂律样本，因此会超出500上限。可以通过截断幂律的逆变换采样生成指定范围的样本，同时保证稳定性。

实现代码 #

import numpy as np

def generate_truncated_powerlaw(xmin, xmax, alpha, n, random_state=42):
    np.random.seed(random_state)
    # 计算截断幂律CDF的归一化分母
    cdf_denominator = 1 - (xmin / xmax) ** (alpha - 1)
    # 生成0-1均匀分布样本
    u = np.random.uniform(0, 1, size=n)
    # 逆变换得到截断幂律样本，严格限制在[xmin, xmax]范围内
    samples = xmin / (1 - u * cdf_denominator) ** (1 / (alpha - 1))
    return samples

说明 #

• alpha为幂律分布的拟合指数（对应powerlaw拟合结果中的powerlaw.alpha）；
• 固定random_state参数可确保每次生成的样本完全一致；
• 该方法严格约束样本落在指定区间内，不会出现超出上限的情况。

内容的提问来源于stack exchange，提问作者Julian_P