如何在Python中循环运行函数直至生成符合目标均值的结果

我明白你要做的是为每个月生成服从拟合的exponweib分布的随机日值，同时保证每个月的均值严格匹配给定的monthly_mean数组。你的现有代码已经有了拟合和生成的基础，但缺少循环重试的逻辑，而且浮点数直接用==判断相等很容易出问题——毕竟随机样本的均值几乎不可能完全等于目标值。

下面是调整后的完整代码，加上了循环重试逻辑，同时优化了均值判断的方式：

import numpy as np
from scipy import stats

# 你的目标月均值数组
monthly_mean = np.array([5.15, 5.948571, 7.028261, 4.144231, 3.585965, 5.244828, 4.915455, 4.757, 5.803614, 12.573684, 5.683333, 3.875])

# 存储每个月生成的符合要求的样本
generated_monthly_data = []

# 遍历1-12月
for month in range(1, 13):
    # 获取2000年该月的天数（从你的df_test中统计）
    monthly_length = (df_test[df_test.index.year == 2000].index.month == month).sum()
    
    # 拟合该月数据的exponweib分布参数
    raw_monthly_data = df_test[df_test.index.month == month].mean(axis=1).dropna()
    dist_params = stats.exponweib.fit(raw_monthly_data)
    
    target = monthly_mean[month - 1]  # 对应目标均值（数组索引从0开始）
    valid_sample = None
    max_retries = 10000  # 设置最大重试次数，防止死循环
    retry_num = 0
    
    # 循环生成样本直到均值符合要求
    while retry_num < max_retries:
        # 生成样本
        sample = stats.exponweib.rvs(*dist_params, size=monthly_length)
        sample_mean = sample.mean()
        
        # 用np.isclose判断均值是否足够接近目标（容差可调整）
        if np.isclose(sample_mean, target, rtol=1e-4):
            valid_sample = sample
            break
        
        retry_num += 1
    
    # 处理重试失败的情况
    if retry_num >= max_retries:
        print(f"⚠️ 警告：第{month}个月达到最大重试次数，当前均值{sample_mean:.6f}与目标{target:.6f}仍有差距")
        generated_monthly_data.append(sample)  # 即使不符合，也保留当前样本（或根据需求修改）
    else:
        print(f"✅ 第{month}个月生成成功，均值为{sample_mean:.6f}")
        generated_monthly_data.append(valid_sample)

关键调整说明： #

• 浮点数均值判断：用np.isclose替代==，通过设置rtol（相对容差）来允许均值在合理范围内接近目标值，避免因浮点数精度问题导致永远无法匹配。
• 循环重试逻辑：通过while循环不断生成样本，直到满足均值条件或达到最大重试次数，防止无限循环。
• 索引对应：用month - 1匹配monthly_mean数组的索引（因为月份从1开始，数组索引从0开始）。

可选优化：无需循环的均值校准 #

如果你不需要严格服从原始拟合的分布，只是需要均值精确匹配，还可以直接生成一次样本后校准均值，这样效率更高：

# 生成一次样本
sample = stats.exponweib.rvs(*dist_params, size=monthly_length)
# 计算均值偏差
mean_diff = target - sample.mean()
# 校准样本：每个值加上偏差，确保均值精确等于目标
calibrated_sample = sample + mean_diff

这种方法的优点是无需循环，但会轻微改变样本的分布形状，你可以根据需求选择。

内容的提问来源于stack exchange，提问作者bikuser