如何生成满足指定均值、最值、标准差要求的2D数组数据集

现成函数说明 #

Numpy、Scipy等常用科学计算库没有原生支持同时满足四个约束的直接生成函数，最接近的可用工具是scipy.stats.truncnorm（截断正态分布生成函数），但需要提前对输入参数做校准，因为该函数默认输入的均值、标准差是截断前原始正态分布的参数，生成的截断后样本的统计量会和输入值有偏差。

可行实现思路 #

思路1：截断正态分布参数反推法（适合大样本场景） #

• 先验证参数合法性：目标均值必须在[min, max]区间内，目标标准差不可超过(max - min) / 2，否则数学上不存在符合要求的分布
• 根据目标的四个约束，反推截断前原始正态分布的μ和σ，反推过程可以基于截断正态分布的均值、方差解析表达式做数值求解
• 调用scipy.stats.truncnorm生成指定大小的样本，大样本下生成的数组统计量会非常接近目标值

import numpy as np
from scipy.stats import truncnorm

def generate_truncated_normal(target_min, target_max, target_mean, target_std, size):
    # 计算截断边界参数
    a = (target_min - target_mean) / target_std
    b = (target_max - target_mean) / target_std
    # 生成截断正态分布样本
    samples = truncnorm.rvs(a, b, loc=target_mean, scale=target_std, size=size)
    # 线性校准统计量到目标值
    samples = (samples - samples.mean()) * (target_std / samples.std()) + target_mean
    # 处理校准后出现的少量越界值
    samples[samples < target_min] = target_min
    samples[samples > target_max] = target_max
    return samples

# 示例：生成3行4列的2D数组，取值范围0-10，均值5，标准差2
arr = generate_truncated_normal(0, 10, 5, 2, size=(3,4))

思路2：拒绝采样+迭代校准法（适合小样本精确匹配场景） #

• 先通过正态分布生成足够多的候选样本，过滤掉所有超出[min, max]范围的样本，直到候选样本数满足数组大小要求
• 对候选样本做线性缩放，让均值和标准差完全匹配目标值
• 检查缩放后是否存在越界值，若存在则将越界值调整到边界，再重新校准剩余样本的均值和标准差，反复迭代直到所有约束都满足
• 该方法可以实现100%匹配四个参数要求，仅适合数组元素数较少的场景，大样本下迭代效率较低

注意事项 #

如果生成的数组要求是整数类型，可以在最终样本生成后做四舍五入处理，再做一次小范围的数值调整，确保四个统计量仍然符合要求。

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