如何用不同分布对矩阵随机抽样？验证代码及适配大矩阵

1. 现有代码的问题分析 #

关于“Uniform分布”的代码 #

这段代码 random1_df = input_df.sample(frac=1, axis=0).sample(frac=1, axis=1) 逻辑上能运行，但和Uniform分布无关——它只是把原DataFrame的行、列各自随机打乱顺序，相当于生成原数据的“排列随机版”，并没有生成服从均匀分布的新数值。而且除了random_state（用来固定随机种子），没有其他可调的随机性参数，没法调整随机程度。

关于“Normal分布”的代码 #

这段代码完全错误，np.random.choice不支持直接传入二维数组M，运行会抛出ValueError: a must be 1-dimensional的错误。而且这段逻辑和正态分布（Normal）没有任何关系，只是尝试从数组里抽样元素，但写法不符合numpy的要求。

2. 适配50x10 DataFrame的随机化方案 #

根据你的需求（生成随机版本+可调随机性参数），分三种常见场景处理：

场景1：打乱原数据的行列（保留原数值，仅随机排列） #

如果要保留原DataFrame的所有数值，只是随机打乱行和列的顺序，优化原代码即可，还可以通过random_state固定随机种子（可调参数）：

# 打乱行+打乱列，random_state用来控制随机性，不同值对应不同打乱结果
random_df = input_df.sample(frac=1, axis=0, random_state=42).sample(frac=1, axis=1, random_state=42)

如果要调整“随机程度”（比如只打乱部分行/列），可以修改frac参数，比如frac=0.8就是随机抽取80%的行/列再打乱：

# 随机抽取80%的行和90%的列并打乱
random_df = input_df.sample(frac=0.8, axis=0, random_state=123).sample(frac=0.9, axis=1, random_state=123)

场景2：生成服从指定分布的新随机矩阵（替换原数值） #

如果需要生成全新的、服从Uniform/Normal分布的随机DataFrame，同时调整分布参数，用numpy直接生成后转成DataFrame即可：

均匀分布（Uniform）

import numpy as np
import pandas as pd

# 生成50行10列的均匀分布随机数，low和high控制取值范围
uniform_data = np.random.uniform(low=0, high=100, size=(50, 10))
uniform_df = pd.DataFrame(uniform_data, columns=input_df.columns, index=input_df.index)

这里low（最小值）和high（最大值）是可调的随机性参数，控制均匀分布的取值范围。

正态分布（Normal）

# 生成50行10列的正态分布随机数，mu为均值，sigma为标准差
mu = 50  # 均值
sigma = 10  # 标准差
normal_data = np.random.normal(loc=mu, scale=sigma, size=(50, 10))
normal_df = pd.DataFrame(normal_data, columns=input_df.columns, index=input_df.index)

这里loc（均值）和scale（标准差）是可调的随机性参数，用来控制正态分布的形态。

场景3：从原数据的元素中随机抽样生成新矩阵 #

如果需要基于原DataFrame的现有元素，随机抽样填充成新的50x10矩阵，可以这样写：

# 把原数据转成一维数组，抽样50*10个元素（replace=True允许重复抽样）
flat_data = input_df.values.flatten()
sampled_data = np.random.choice(flat_data, size=(50, 10), replace=True)
sampled_df = pd.DataFrame(sampled_data, columns=input_df.columns, index=input_df.index)

这里replace参数可调（True允许重复抽样，False不允许），也可以通过p参数指定元素的抽样概率，实现更灵活的随机性控制。

内容的提问来源于stack exchange，提问作者star_it8293