如何模拟已知行边际的列联表？列分布匹配总计且时间列无邻域相关性

针对你需要模拟已知行边际、列分布接近总计列且相邻时间列相关性弱的列联表，这里提供两种可行的抽样方案：

方案1：分层独立抽样+行边际校准 #

这是最直接的方案，核心是让每一列独立按照总计列的比例抽样，再校准行边际确保符合要求，天然保证列间相关性低。

实现步骤 #

1. 提取总计列的比例作为每列抽样的基准
2. 对每个时间列（X1-X5），用多项分布独立生成初始数值
3. 微调初始数值，让每行的总和严格匹配给定的行边际（A=80、B=100、C=120、D=40）

完整代码实现 #

import pandas as pd
import numpy as np

def cal_perc(x, total):
    return round((x / total) * 100, 2)

# 初始化原始框架
df = pd.DataFrame({'X1':[None,None,None,None,None],
              'X2':[None,None,None,None,None],
              'X3':[None,None,None,None,None],
              'X4':[None,None,None,None,None],
              'X5':[None,None,None,None,None],
              'total':[80,100,120,40,340]})

df.index = ["A","B","C","D","total"]
df["%"] = [cal_perc(x, 340) for x in df["total"]]

# 获取行边际目标值和基准比例
row_targets = df.loc[["A","B","C","D"], "total"].values
base_proportions = df.loc[["A","B","C","D"], "%"].values / 100
col_count = 5
col_total = 340  # 每列总和与总计一致，可按需调整

# 独立生成每列的初始抽样值
sampled_cols = []
for _ in range(col_count):
    # 多项分布按基准比例生成列数据
    initial_vals = np.random.multinomial(col_total, base_proportions)
    sampled_cols.append(initial_vals)

# 转换为数据框
result_df = pd.DataFrame(sampled_cols).T
result_df.columns = [f"X{i+1}" for i in range(col_count)]
result_df.index = ["A","B","C","D"]

# 校准行边际：调整每行总和到目标值
for row_idx, target in enumerate(row_targets):
    current_sum = result_df.iloc[row_idx].sum()
    diff = target - current_sum
    if diff != 0:
        # 随机选择列分配差值，避免引入系统性偏差
        adjust_cols = np.random.choice(result_df.columns, abs(diff), replace=True)
        for col in adjust_cols:
            result_df.loc[result_df.index[row_idx], col] += 1 if diff > 0 else -1

# 添加总计行和百分比列
result_df.loc["total"] = result_df.sum(axis=0)
result_df["total"] = result_df.sum(axis=1)
result_df["%"] = [cal_perc(x, 340) for x in result_df["total"]]

print(result_df)

方案优势 #

• 每列独立抽样，相邻时间列的相关性天然极低
• 校准步骤确保行边际完全符合要求
• 列分布与总计列的基准比例高度接近

方案2：Dirichlet分布抽样+双边际校准 #

如果需要更灵活的比例波动控制，可以用Dirichlet分布生成每行的列比例，再缩放至行边际，同时微调列分布使其接近总计比例。

核心逻辑 #

1. 对每行，基于基准比例设置Dirichlet分布的参数（加入小噪声项增强独立性）
2. 用生成的比例乘以该行的边际总和，得到初始单元格值
3. 同时校准行、列边际，确保行总和符合要求且列分布接近基准

简化代码示例 #

# 接上面的初始化代码
alpha = base_proportions * 100  # 控制分布集中度，值越大越接近基准比例
sampled_data = []
for target in row_targets:
    # 生成该行的列比例
    row_probs = np.random.dirichlet(alpha)
    # 缩放至行目标值并取整
    row_vals = np.round(row_probs * target).astype(int)
    sampled_data.append(row_vals)

result_df = pd.DataFrame(sampled_data, index=["A","B","C","D"], columns=[f"X{i+1}" for i in range(col_count)])
# 校准列分布（可选，若列偏差过大时调整）
# ...（此处可加入列比例校准逻辑）

注意事项 #

• 若要严格控制列分布与总计列的相似度，可在抽样后计算列比例，若偏差超过阈值则重新抽样
• 降低列间相关性的关键是避免基于前一列的数值生成后续列，保持每列的独立性

内容的提问来源于stack exchange，提问作者RSale