如何结合两张联合概率表生成符合分布的模拟数据集？

要同时满足表1（教育-薪资）和表2（年龄-薪资）的分布规则生成数据，核心是构建教育、年龄、薪资三者的联合概率分布，通过薪资这个共同变量，用条件概率分解来组合两个表的信息。

第一步：校验边缘分布一致性 #

先确认两个表的薪资边缘概率无冲突：

• 表1计算：$10k总概率=0.1+0.3+0.2=0.6；$20k总概率=0.2+0.1+0.1=0.4
• 表2计算：$10k总概率=0.2+0.2+0.2=0.6；$20k总概率=0.1+0.1+0.2=0.4
  两者完全一致，可直接组合。

第二步：推导条件概率 #

基于薪资的条件概率是组合的关键：

1. 教育的条件概率（给定薪资）：

   Education\Salary	$10,000 (P(E	S))	$20,000 (P(E	S))
   None	0.1/0.6 ≈ 0.1667	0.2/0.4 = 0.5
   Hs	0.3/0.6 = 0.5	0.1/0.4 = 0.25
   College	0.2/0.6 ≈ 0.3333	0.1/0.4 = 0.25

2. 年龄的条件概率（给定薪资）：

   Age\Salary	$10,000 (P(A	S))	$20,000 (P(A	S))
   30	0.2/0.6 ≈ 0.3333	0.1/0.4 = 0.25
   40	0.2/0.6 ≈ 0.3333	0.1/0.4 = 0.25
   50	0.2/0.6 ≈ 0.3333	0.2/0.4 = 0.5

第三步：分步抽样逻辑 #

按以下顺序抽样，确保同时满足两个表的分布：

1. 先抽薪资：按P(S=$10k)=0.6、P(S=$20k)=0.4的概率抽取
2. 给定抽到的薪资，按对应教育条件概率抽教育背景
3. 同样给定抽到的薪资，按对应年龄条件概率抽年龄

代码实现示例（Python） #

import numpy as np
import pandas as pd

# 定义概率分布
salary_probs = {"$10,000": 0.6, "$20,000": 0.4}
edu_cond_probs = {
    "$10,000": {"None": 1/6, "Hs": 0.5, "College": 1/3},
    "$20,000": {"None": 0.5, "Hs": 0.25, "College": 0.25}
}
age_cond_probs = {
    "$10,000": {30: 1/3, 40: 1/3, 50: 1/3},
    "$20,000": {30: 0.25, 40: 0.25, 50: 0.5}
}

# 生成模拟数据集函数
def generate_sample(n_samples):
    samples = []
    for _ in range(n_samples):
        # 第一步：抽薪资
        salary = np.random.choice(list(salary_probs.keys()), p=list(salary_probs.values()))
        # 第二步：抽教育背景
        edu = np.random.choice(list(edu_cond_probs[salary].keys()), p=list(edu_cond_probs[salary].values()))
        # 第三步：抽年龄
        age = np.random.choice(list(age_cond_probs[salary].keys()), p=list(age_cond_probs[salary].values()))
        samples.append({"Education": edu, "Age": age, "Salary": salary})
    return pd.DataFrame(samples)

# 生成10000条样本并验证分布
df = generate_sample(10000)

# 验证表1的联合分布
print("教育-薪资联合分布（百分比）：")
print(pd.crosstab(df["Education"], df["Salary"], normalize="all") * 100)

# 验证表2的联合分布
print("\n年龄-薪资联合分布（百分比）：")
print(pd.crosstab(df["Age"], df["Salary"], normalize="all") * 100)

运行后生成的数据集会近似符合两个联合概率表的规则。

注意事项 #

如果两个表的薪资边缘概率不一致，需要先调整其中一个表的概率（比如按权重合并），或者明确额外约束条件，否则无法生成同时满足两个分布的数据集。

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