如何用Python实现结合概率加权与截断正态分布的两步随机抽样

你最初的代码存在两个核心问题：

• r = random.choices([constant,random.normal()], weights=(0.3, 0.7))存在逻辑错误：random.normal()在列表定义时就会执行并生成固定值，不是命中70%概率分支时才动态生成，每次运行只会随机选常量或者这个提前生成的固定正态值，不符合抽样要求
• 原生random.normal()没有截断逻辑，无法限制生成值落在(a,b)区间内

方案1：基于scipy的规范实现（推荐） #

用scipy内置的截断正态分布工具实现，效率更高，采样逻辑更标准。
首先安装依赖：pip install scipy
完整实现代码：

import random
from scipy.stats import truncnorm

def generate_r(constant: float, p: float, a: float, b: float, norm_mean: float = 10, norm_std: float = 2) -> float:
    # 第一步：按概率p判断是否返回固定常量
    if random.random() < p:
        return constant
    # 第二步：命中1-p分支，生成截断正态分布随机值
    # 计算truncnorm需要的标准化截断值
    a_norm = (a - norm_mean) / norm_std
    b_norm = (b - norm_mean) / norm_std
    return truncnorm.rvs(a_norm, b_norm, loc=norm_mean, scale=norm_std)

# 用示例参数测试
if __name__ == "__main__":
    constant = 10
    p = 0.3
    a = 5
    b = 15
    # 生成10个测试样本
    test_samples = [generate_r(constant, p, a, b) for _ in range(10)]
    print(test_samples)

可以根据业务需求调整截断正态分布的均值norm_mean和标准差norm_std参数，示例中默认用了和常量相同的均值10。

方案2：无第三方依赖的轻量实现 #

如果不想引入scipy，可以用拒绝采样实现截断逻辑，适合截断区间覆盖了正态分布大部分取值范围的场景：

import random

def generate_r_no_scipy(constant: float, p: float, a: float, b: float, norm_mean: float = 10, norm_std: float = 2) -> float:
    if random.random() < p:
        return constant
    # 拒绝采样实现截断正态，落在区间外的结果直接丢弃重抽
    while True:
        r = random.normalvariate(norm_mean, norm_std)
        if a <= r <= b:
            return r

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