如何用Python从总体生成随机样本？样本均值计算实现求助

嘿，我来帮你搞定这两个关于Python随机抽样的问题！

问题1：如何用Python从总体中生成随机样本？ #

在Python里，numpy库是处理随机抽样最常用的工具，根据你要模拟的总体分布不同，可以选择对应的函数：

• 如果总体是标准正态分布（均值为0，方差为1），直接用np.random.randn()，传入样本容量就能生成对应数量的随机数；
• 如果是自定义参数的正态分布，用np.random.normal(mean, std, size)，其中mean是均值，std是标准差，size是样本容量；
• 要是从已有的一组总体数据里随机抽样（比如从列表/数组里抽取），用np.random.choice(population, size, replace=True)，replace=True表示可放回抽样，False为不放回；
• 其他分布比如均匀分布、泊松分布等，也可以用np.random.uniform()、np.random.poisson()这类对应函数。

问题2：生成1000个容量为50的随机样本并计算均值 #

你提到想用randn函数，这个思路完全没问题！randn正好用来生成标准正态分布的样本，下面给你两种实现方式：

方式1：循环实现（直观易懂） #

适合刚接触的朋友，逻辑清晰：

import numpy as np

# 初始化空列表存储1000个样本均值
norm_samples_50 = []

# 循环生成1000组样本
for _ in range(1000):
    # 生成1组容量为50的标准正态分布样本
    single_sample = np.random.randn(50)
    # 计算该样本的均值并加入列表
    sample_mean = np.mean(single_sample)
    norm_samples_50.append(sample_mean)

方式2：向量化实现（高效快捷） #

利用numpy的数组操作，避免循环，速度更快，适合大数据量场景：

import numpy as np

# 直接生成1000组、每组50个样本的二维数组（形状为(1000, 50)）
all_samples = np.random.randn(1000, 50)
# 按行计算均值（axis=1表示沿着每行的方向计算），最后转成列表
norm_samples_50 = np.mean(all_samples, axis=1).tolist()

如果你的总体不是标准正态分布，只需要把np.random.randn()换成np.random.normal(mean, std, (1000,50))就行，比如均值为5、标准差为2的话，代码就改成all_samples = np.random.normal(5, 2, (1000,50))。

内容的提问来源于stack exchange，提问作者Gitliong