Python如何生成0-1区间内满足指定均值与标准差的正数值

普通正态分布的取值范围覆盖全体实数，无论怎么调整均值和标准差，理论上都存在生成负数、超出0-1区间的可能，直接裁剪结果还会破坏原始分布特性，建议优先选择天然定义域在[0,1]区间的分布采样，常用方案如下：

• Beta分布采样：Beta分布是定义在[0,1]上的连续概率分布，通过两个形状参数a、b可以灵活调整分布的集中趋势和离散程度，调用方法为np.random.beta(a, b, size=数组长度)。例如需要生成均值约为0.7的0-1区间随机数，可设置a=7, b=3，执行np.random.beta(7, 3, 10)即可得到长度为10的符合要求的数组。
• 截断正态分布采样：如果需要保留类正态的钟形分布形态，可使用截断正态分布将取值严格限制在0-1区间。numpy未内置该分布，可借助scipy实现，代码示例：

from scipy.stats import truncnorm
mu = 0.6  # 目标均值
sigma = 0.2  # 目标标准差
lower, upper = 0, 1  # 取值上下界
# 转换为截断正态的标准化参数
a_norm, b_norm = (lower - mu) / sigma, (upper - mu) / sigma
# 生成长度为10的样本
samples = truncnorm.rvs(a_norm, b_norm, loc=mu, scale=sigma, size=10)

• 均匀分布采样：如果不需要特定分布形态，仅需要0-1区间的均匀随机正数，直接调用np.random.rand(数组长度)即可，生成的所有值天然落在[0,1)区间内。

使用np.random.normal(mean=1.13, STD=0.339, size=4)生成样本时，实际计算的样本均值和设定参数存在偏差属于正常现象，并非代码错误：

• 传入的mean和STD是总体分布的理论参数，代表无限次采样下的整体均值和标准差，并非任意一组小样本必须满足的统计值。
• 采样的样本量越小，单次抽样得到的样本均值、样本标准差和理论总体参数的偏差就会越大，样本量仅为4时偏差会非常明显；当样本量提升到1000以上时，样本统计量会非常接近设定的总体参数。
• 额外注意：设置的均值1.13本身大于1，即便不考虑负数问题，生成的结果也会有大量样本超出0-1的上界要求，完全不适合当前场景。

内容的提问来源于stack exchange，提问作者Megan