如何生成均值为指定概率数组的随机概率数组

首先，观察你给出的示例输出，所有数组的第三维都是0——这其实是必然的：因为目标均值的第三维是0，而每个概率数组的第三维都是非负的，要让它们的均值为0，每个数组的第三维必须严格等于0。所以我们可以先把问题简化为：生成10个形如[a, 1-a, 0]的概率数组（满足a ∈ [0,1]），使得这10个a的均值恰好是0.5。

下面给你两种实用的实现方法，完全贴合你的需求：

方法1：基于Beta分布生成（匹配示例的分散分布） #

你的示例中a的取值要么接近0要么接近1（比如0.99996、0.0287），这种分布正好对应**Beta(0.5, 0.5)**分布（它的概率密度在0和1处最高，中间最低）。我们可以先生成符合这个分布的样本，再微调它们的均值到0.5：

import numpy as np

n = 10
target_mean = np.array([0.5, 0.5, 0.0])

# 1. 生成Beta(0.5, 0.5)样本，和示例的分布风格一致
a_samples = np.random.beta(0.5, 0.5, size=n)

# 2. 计算当前样本的均值，调整到目标均值0.5
current_mean = np.mean(a_samples)
a_adjusted = a_samples - (current_mean - target_mean[0])

# 3. 裁剪到0-1区间，确保是有效概率
a_adjusted = np.clip(a_adjusted, 0.0, 1.0)

# 4. 生成对应的b和第三维
b_adjusted = 1.0 - a_adjusted
c_adjusted = np.zeros(n)

# 组合结果
out = np.column_stack([a_adjusted, b_adjusted, c_adjusted])

# 验证均值
print("生成数组的均值：", np.round(np.mean(out, axis=0), 4))
print("\n输出数组：")
print(out)

这个方法生成的样本和你给出的示例风格完全一致，均值会非常接近目标值（如果调整后有少量超出0-1的情况，裁剪后均值可能有微小偏差，但可以忽略，或者重新生成样本）。

方法2：严格保证均值等于目标值 #

如果你需要均值严格等于[0.5,0.5,0]，可以用这种“先生成部分样本，再计算最后一个样本”的方法：

import numpy as np

n = 10
target_mean = np.array([0.5, 0.5, 0.0])

# 循环生成，直到所有样本都在0-1之间
while True:
    # 1. 先生成n-1个0到1之间的随机数
    a_samples = np.random.uniform(0, 1, size=n-1)
    # 2. 计算第n个样本，确保所有样本的总和为n*0.5（即均值0.5）
    a_n = n * target_mean[0] - np.sum(a_samples)
    # 3. 检查所有样本是否都在有效概率范围内
    if 0 <= a_n <= 1 and np.all((a_samples >= 0) & (a_samples <= 1)):
        a_samples = np.append(a_samples, a_n)
        break

# 生成对应的b和第三维
b_samples = 1.0 - a_samples
c_samples = np.zeros(n)
out = np.column_stack([a_samples, b_samples, c_samples])

# 验证均值
print("生成数组的均值：", np.mean(out, axis=0))
print("\n输出数组：")
print(out)

这个方法可以100%保证均值严格等于目标值，同时每个数组都是有效的概率数组（所有分量非负且和为1）。

关于你原来的Dirichlet方法的说明 #

你之前用np.random.dirichlet((0.3,0.3,0.3), size=10)生成的数组，第三维的均值是0.3/(0.3+0.3+0.3) = 1/3，不符合你的目标。而且Dirichlet分布的参数必须为正，无法生成恒为0的分量，所以这种方法不适合你的需求——我们必须固定第三维为0，单独处理前两维。

备注：内容来源于stack exchange，提问作者jasmine