如何在Python中模拟指定时间段内事件的发生次数

这个场景完美匹配泊松分布的适用条件：固定时间区间内独立随机事件的发生次数。

核心逻辑 #

事件平均每x秒发生一次，那么t秒内的平均发生次数（泊松分布的参数λ）为：

lambda_val = t / x

基于这个参数，就能从泊松分布中采样得到符合统计规律的随机发生次数n。

实现方式 #

方法1：使用scipy.stats.poisson

这是统计库的标准实现，适合需要额外统计操作（比如概率计算）的场景：

from scipy.stats import poisson

# 输入参数示例
x = 5  # 平均每5秒发生一次
t = 60 # 模拟60秒的时间区间

lambda_val = t / x
n = poisson.rvs(mu=lambda_val)  # 生成随机采样的发生次数
print(f"{t}秒内事件发生次数：{n}")

方法2：使用numpy.random.poisson

如果已经在使用numpy做数值计算，这个方法更轻量高效：

import numpy as np

# 输入参数示例
x = 5
t = 60

lambda_val = t / x
n = np.random.poisson(lam=lambda_val)
print(f"{t}秒内事件发生次数：{n}")

补充说明 #

• 泊松分布的输出是非负整数，完全符合事件发生次数的要求
• 多次采样的结果会围绕lambda_val（即t/x）波动，符合真实的随机事件规律
• 如果需要生成多个采样结果（比如模拟100次t秒区间的情况），直接传入样本数量即可：

  # numpy示例：生成100个采样值
  samples = np.random.poisson(lam=lambda_val, size=100)
  

内容的提问来源于stack exchange，提问作者Omroth