Python中如何为矩阵的行/列选取操作添加选择噪声

核心逻辑是为矩阵的每一列独立生成目标行邻域内的随机行索引，通过numpy高级索引批量取值，最终得到和单行选取维度完全一致、每个列位置独立从邻域行采样的带噪声结果。

依赖说明 #

矩阵操作使用numpy实现，向量化运算效率远高于原生Python列表循环，首先导入依赖：

import numpy as np

完整实现代码 #

带噪声行选取函数 #

def noisy_row_select(m, target_row, noise_half_width=2):
    """
    带随机位置噪声的行选取
    参数说明:
    - m: 二维numpy格式矩阵
    - target_row: 基准目标行索引，常规无噪声选行时的目标行号
    - noise_half_width: 噪声半宽，默认值2表示每个列位置从目标行上下各2行（共5行）范围内随机取值
    返回值:
    长度等于矩阵列数的一维数组，和常规m[target_row, :]返回维度一致
    """
    row_count, col_count = m.shape
    # 自动裁剪索引范围，避免行号越界
    valid_row_min = max(0, target_row - noise_half_width)
    valid_row_max = min(row_count - 1, target_row + noise_half_width)
    # 为每个列独立生成随机行索引
    rand_row_idx = np.random.randint(low=valid_row_min, high=valid_row_max + 1, size=col_count)
    col_idx = np.arange(col_count)
    # 高级索引批量取值
    return m[rand_row_idx, col_idx]

示例验证（匹配给出的测试用例） #

# 参考用4x4测试矩阵
m = np.array([
    [1,2,3,4],
    [5,6,7,8],
    [9,1,2,3],
    [4,5,6,7]
])
# 目标行索引为2，噪声半宽设为1（即候选行是1、2、3三行，匹配示例取值范围）
noisy_result = noisy_row_select(m, target_row=2, noise_half_width=1)
print(noisy_result)

多次运行上述代码，会随机得到不同的采样结果，其中某一次运行的输出就会是举例的[4 7 1 6]。 #

扩展说明 #

• 边界自动适配：当目标行靠近矩阵首行/末行时，函数会自动裁剪非法索引范围，不会触发索引越界错误。比如目标行是0（矩阵第一行），噪声半宽设为2时，采样范围会自动调整为0、1、2三行。
• 带噪声列选取：逻辑和行选取完全对称，只需互换行列索引逻辑即可，实现参考：

def noisy_col_select(m, target_col, noise_half_width=2):
    row_count, col_count = m.shape
    valid_col_min = max(0, target_col - noise_half_width)
    valid_col_max = min(col_count - 1, target_col + noise_half_width)
    rand_col_idx = np.random.randint(low=valid_col_min, high=valid_col_max + 1, size=row_count)
    row_idx = np.arange(row_count)
    return m[row_idx, rand_col_idx]

• 自定义采样权重：如果不想让邻域内所有行被选中的概率均等，可以替换随机索引生成逻辑，比如给离目标行更近的位置更高的采样权重：

# 示例：噪声半宽为2时，偏移-2/-1/0/1/2的采样概率分别为0.1/0.2/0.4/0.2/0.1，越靠近目标行概率越高
offsets = np.arange(-noise_half_width, noise_half_width + 1)
sample_prob = np.array([0.1, 0.2, 0.4, 0.2, 0.1])
# 过滤越界的偏移值
valid_mask = (target_row + offsets >= 0) & (target_row + offsets < row_count)
valid_offsets = offsets[valid_mask]
valid_prob = sample_prob[valid_mask]
valid_prob = valid_prob / valid_prob.sum() # 概率归一化
# 生成带权重的随机偏移
rand_offsets = np.random.choice(valid_offsets, size=col_count, p=valid_prob)
rand_row_idx = target_row + rand_offsets

内容的提问来源于stack exchange，提问作者Typo