基于已有数据集生成相关数据集的Python实现

当然可以！咱先理清楚核心需求：你要的是和原数据有相关性、规模相同，且自身均值服从正态分布的单个数据集。你之前接触的multivariate_normal和Cholesky分解其实完全能满足需求——只是你可能没注意到可以只提取目标数据集的部分。下面我给你两种实用的实现思路和代码示例：

这种方法的核心逻辑是给原数据加一个可控的线性关联项和正态分布噪声，既保证相关性，又能让目标数据集的均值服从指定的正态分布。

• 核心思路：假设原数据是X，目标数据Y可以表示为 Y = ρ*X + ε，其中ρ是控制相关性的系数，ε是服从正态分布的噪声。之后再通过缩放和平移，把Y调整到你想要的均值和标准差（也就是让它的均值服从目标正态分布）。

代码示例（以一维原数据为例）：

import numpy as np
import scipy.stats as stats

# 替换成你的真实数据集
X = np.random.randn(1000)  

# 设定目标参数：Y的均值、标准差，以及和X的相关系数
target_mean = 5
target_std = 1.2
corr_coeff = 0.7

# 生成和X相关的基础Y
noise = stats.norm.rvs(loc=0, scale=np.sqrt(1 - corr_coeff**2), size=len(X))
Y_base = corr_coeff * X + noise

# 调整Y的均值和标准差到目标值
Y = Y_base * target_std + target_mean

# 验证效果
print(f"X与Y的相关系数：{np.corrcoef(X, Y)[0,1]:.2f}")
print(f"Y的均值：{np.mean(Y):.2f}，标准差：{np.std(Y):.2f}")

你提到的stats.multivariate_normal其实可以只生成一组联合样本，之后我们只提取目标数据集的部分就行，完全不用保留多余的生成数据。

• 核心思路：构造包含原数据和目标数据的联合均值向量和协方差矩阵，生成联合分布样本后，只取对应目标数据的列即可。协方差矩阵里的交叉项用来控制原数据和目标数据的相关性。

代码示例（以一维原数据为例）：

import numpy as np
import scipy.stats as stats

# 替换成你的真实数据集
X = np.random.randn(1000)
X_mean = np.mean(X)
X_std = np.std(X)

# 设定目标Y的参数
Y_target_mean = 5
Y_target_std = 1.2
corr_coeff = 0.7

# 构造联合均值向量和协方差矩阵
joint_mean = np.array([X_mean, Y_target_mean])
joint_cov = np.array([
    [X_std**2, corr_coeff * X_std * Y_target_std],
    [corr_coeff * X_std * Y_target_std, Y_target_std**2]
])

# 生成联合样本，只提取Y的部分
joint_samples = stats.multivariate_normal.rvs(mean=joint_mean, cov=joint_cov, size=len(X))
Y = joint_samples[:, 1]

# 验证效果
print(f"X与Y的相关系数：{np.corrcoef(X, Y)[0,1]:.2f}")
print(f"Y的均值：{np.mean(Y):.2f}，标准差：{np.std(Y):.2f}")

补充说明 #

如果你的原数据是多维的，只需要扩展协方差矩阵的维度即可：比如原数据是n维，协方差矩阵就变成(n+1)×(n+1)，前n行n列保留原数据的协方差，最后一行/列设置为目标数据与原数据各维度的协方差（由相关系数和对应维度的标准差计算）。

内容的提问来源于stack exchange，提问作者CMant