如何用Numpy生成指定均值和标准差的随机数组？

嘿，这个问题其实很好解决！你现在用的np.random.randn()生成的是标准正态分布的随机数——也就是均值为0、标准差为1的分布。要得到任意均值和标准差的正态分布数组，只需要做个简单的线性变换就行，或者直接用Numpy提供的更直观的函数。

方法一：线性变换（基于randn） #

标准正态分布的随机数，经过「乘以目标标准差 + 加上目标均值」的变换后，就能得到你想要的分布。公式是：

目标数组 = 预设均值 + 预设标准差 × np.random.randn(样本数量)

举个实际的例子，假设你想要均值为5、标准差为2的1000个随机数，代码可以改成这样：

import numpy as np

# 定义你需要的参数
target_mean = 5
target_std = 2
sample_size = 1000

# 生成符合要求的数组
x = target_mean + target_std * np.random.randn(sample_size)

# 验证结果（因为是随机数，会和目标值有微小误差，样本量越大越接近）
print("Average:")
print(x.mean())
print("Standard deviation:")
print(x.std())

方法二：直接用np.random.normal() #

Numpy其实提供了更直接的函数np.random.normal()，可以直接指定均值（loc参数）、标准差（scale参数）和样本数量，代码更易读：

import numpy as np

target_mean = 5
target_std = 2
sample_size = 1000

# 直接生成指定分布的数组
x = np.random.normal(loc=target_mean, scale=target_std, size=sample_size)

# 验证
print("Average:", x.mean())
print("Standard deviation:", x.std())

这两种方法本质是等价的，np.random.normal()底层也是类似的线性变换逻辑，不过第二种写法更清晰，适合直接指定参数的场景。

注意：因为是随机采样，计算出来的均值和标准差会和你预设的值有一点点偏差，这是正常的统计现象——当样本数量越大时，这个偏差会越小。

内容的提问来源于stack exchange，提问作者EORS