Python中生成固定均值正态分布：替代np.random.normal()的方案

你遇到的问题是np.random.normal()生成的是服从正态分布的随机样本，样本量有限时，样本均值会围绕总体均值mu波动，这是正态分布抽样的固有特性。如果需要样本均值严格等于设定的mu，可以用以下几种方法实现：

方法1：调整样本使均值恰好等于mu #

先生成普通正态样本，再通过偏移量调整所有样本值，让均值严格匹配目标值：

import numpy as np

mu, sigma = 50, 1.0
Nodes = 220

# 生成初始正态分布样本
r = np.random.normal(mu, sigma, Nodes)
# 计算当前均值与目标mu的偏差
mean_offset = mu - np.mean(r)
# 调整所有样本，使均值严格等于mu
r_adjusted = r + mean_offset

print(np.mean(r_adjusted))  # 输出将严格等于50

这种方法操作简单，样本的正态分布形态基本保留，仅标准差会有极微小的变化（样本量越大，变化越不明显）。

方法2：同时固定均值和标准差 #

如果需要同时严格保证均值和标准差与设定值一致，可以先生成零均值样本，标准化后再偏移到目标均值：

import numpy as np

mu, sigma = 50, 1.0
Nodes = 220

# 生成零均值、单位标准差的样本
r_zero_mean = np.random.normal(0, 1, Nodes)
# 标准化样本，使其标准差严格等于sigma，同时保持零均值
r_scaled = r_zero_mean * (sigma / np.std(r_zero_mean))
# 偏移到目标均值mu
r_final = r_scaled + mu

print(np.mean(r_final))  # 严格等于50
print(np.std(r_final))   # 严格等于1.0

这种方法会同时锁定均值和标准差，适合对两个参数都有严格要求的场景。

方法3：固定随机种子实现可复现样本 #

如果你的需求只是每次运行得到相同的样本（从而均值固定），而非强制样本均值等于mu，那么固定随机种子即可：

import numpy as np

# 设置固定随机种子，每次运行都会生成完全相同的样本
np.random.seed(42)

mu, sigma = 50, 1.0
Nodes = 220
r = np.random.normal(mu, sigma, Nodes)

print(np.mean(r))  # 每次运行输出的均值完全一致

这种方法的核心是让随机抽样过程可复现，适合需要稳定测试结果的场景。

内容的提问来源于stack exchange，提问作者user20032724