基于Numpy从非对称误差分布中抽取样本

针对你提到的Log10[param] = 9.33 +0.21 -0.01这种对数空间的不对称误差，推荐两种纯Numpy实现的抽样方法，直接匹配你的误差结构：

方法一：缩放正态分布（简单直观，适配1σ误差场景） #

如果你的上下误差是类似1σ置信区间的定义，这种方法最快：直接对标准正态分布的正负半轴分别缩放不同倍数，生成对数空间的不对称样本，再转换回原始参数。

代码示例：

import numpy as np

# 对数空间的参数配置
mu_log = 9.33
err_down_log = 0.01  # 向下误差
err_up_log = 0.21    # 向上误差
n_samples = 10000    # 要生成的样本量

# 生成标准正态样本
z = np.random.normal(0, 1, size=n_samples)

# 对正负半轴分别缩放，得到对数空间样本
log_samples = mu_log + np.where(z < 0, z * err_down_log, z * err_up_log)

# 转换回原始参数空间（10的幂）
param_samples = 10 ** log_samples

原理：标准正态分布的16%分位数对应-1σ，84%分位数对应+1σ。通过分别缩放正负半轴，让对数空间样本的16%分位数刚好是9.33-0.01，84%分位数刚好是9.33+0.21，完美匹配你给出的误差范围。

方法二：Beta分布映射（灵活适配任意不对称分布） #

如果你的误差对应的是更复杂的置信区间（比如95%置信度），可以用Beta分布来生成任意形状的不对称样本，再映射到对数空间的误差区间。

代码示例：

import numpy as np

mu_log = 9.33
err_down_log = 0.01
err_up_log = 0.21
n_samples = 10000

# 确定对数空间的上下边界
L_log = mu_log - err_down_log
U_log = mu_log + err_up_log

# 调整Beta分布的形状参数，让分布众数落在中心值mu_log
# 这里根据误差比例计算：中心值在区间内的占比 = 0.01/(0.01+0.21) ≈ 0.0455
alpha = 2
beta = 22  # 由Beta分布众数公式推导：(alpha-1)/(alpha+beta-2) = 0.0455

# 生成Beta样本并映射到对数空间区间
beta_samples = np.random.beta(alpha, beta, size=n_samples)
log_samples = L_log + (U_log - L_log) * beta_samples

# 转换回原始参数空间
param_samples = 10 ** log_samples

原理：Beta分布在[0,1]区间内的形状由alpha和beta控制——alpha越小、beta越大，分布越偏向左侧（对应大部分样本集中在中心值附近，少数向上偏移）。你可以调整alpha和beta的数值，让样本的分位数完全匹配你的置信区间要求。

验证样本合理性 #

生成样本后，你可以通过以下代码快速验证对数空间的样本是否符合误差要求：

# 查看对数空间样本的16%、50%、84%分位数
print(np.percentile(log_samples, [16, 50, 84]))

对于方法一，输出应该接近[9.32, 9.33, 9.54]，完美匹配给定的误差范围。

内容的提问来源于stack exchange，提问作者arnbobo