Python—创建一个正态分布列矩阵，其中每行总和为1

我正在使用熊猫处理一些选举数据。我想知道，如果甲方不存在，在650个席位中，甲方的选票将如何转移到乙方和丙方

我们假设我们知道，在全国范围内：

• 给乙方：48%转让给乙方
• 向丙方：32%将转让给丙方
• 致挪威电视台：20%的人不会投票

我希望为每个座位生成0到1之间的数字正态分布，其中：

每行的总和为1

柱到_B的平均值为0.48

列到_C的平均值为0.32

柱的平均值为0.2

以完全独立的数字为例：

座位 托布 到 给(dnv) 1. 0.5 0.3 0.2 2. 0.1 0.6 0.3 3. 0.3 0.3 0.4 ... ... ... ... 650 等 等 等 编辑 亨利·埃克（Henry Ecker）的上述答案无疑是更好的解决方案。把这个留着，以防有人发现它有用

原液 好吧，我有一些东西似乎是有效的，但可能在数学上不合理

其思想是为a和b生成两个正态分布的随机变量列表，并为c将其填充到1

将numpy导入为np
#为A和B生成数据
#比例是标准偏差，可以调整以适应任务
a=np.随机.正常（loc=0.48，标度=0.05，尺寸=650）
b=np.随机.正常（loc=0.32，刻度=0.05，尺寸=650）
#现在要生成C，我们不能使用相同的方法，因为这不会一直等于1（显然）
#相反，我们将该列最多填充1
c=1-a-b
#这应该接近0.2
印刷品（np.平均值（c））

当运行它100次时，对我来说，计算出的平均值总是介于

0.19450

和

0.20521

之间，这对于您的用例来说可能不够好，也可能不够好

请注意，如果平均值较小和/或标准偏差较大，有时会产生负值。根据需要，此解决方案可能会帮助或启发您：）

编辑 亨利·埃克（Henry Ecker）的上述答案无疑是更好的解决方案。把这个留着，以防有人发现它有用

原液 好吧，我有一些东西似乎是有效的，但可能在数学上不合理

其思想是为a和b生成两个正态分布的随机变量列表，并为c将其填充到1

将numpy导入为np
#为A和B生成数据
#比例是标准偏差，可以调整以适应任务
a=np.随机.正常（loc=0.48，标度=0.05，尺寸=650）
b=np.随机.正常（loc=0.32，刻度=0.05，尺寸=650）
#现在要生成C，我们不能使用相同的方法，因为这不会一直等于1（显然）
#相反，我们将该列最多填充1
c=1-a-b
#这应该接近0.2
印刷品（np.平均值（c））

当运行它100次时，对我来说，计算出的平均值总是介于

0.19450

和

0.20521

之间，这对于您的用例来说可能不够好，也可能不够好

请注意，如果平均值较小和/或标准偏差较大，有时会产生负值。根据需要，此解决方案可能会帮助或激励您：）

听起来似乎可以在这里工作：

将numpy导入为np
作为pd进口熊猫
#为再现性设置种子（如果需要不同的随机数，则删除）
np.随机种子（5）
#创建狄里克莱分布
a=np.random.dirichlet（（.48.32.2），大小=600）
df=pd.DataFrame（a，列=['to_B'、'to_C'、'to_dnv']）
df=df。重命名_轴（“座椅”）

框架

行和

print(df.sum(axis=1))

seat
0      1.0
1      1.0
2      1.0
3      1.0
4      1.0
      ... 
595    1.0
596    1.0
597    1.0
598    1.0
599    1.0
Length: 600, dtype: float64

列表示

print(df.mean(axis=0))

to_B      0.473463
to_C      0.317920
to_dnv    0.208617
dtype: float64

这听起来好像可以在这里工作：

将numpy导入为np
作为pd进口熊猫
#为再现性设置种子（如果需要不同的随机数，则删除）
np.随机种子（5）
#创建狄里克莱分布
a=np.random.dirichlet（（.48.32.2），大小=600）
df=pd.DataFrame（a，列=['to_B'、'to_C'、'to_dnv']）
df=df。重命名_轴（“座椅”）

框架

行和

print(df.sum(axis=1))

seat
0      1.0
1      1.0
2      1.0
3      1.0
4      1.0
      ... 
595    1.0
596    1.0
597    1.0
598    1.0
599    1.0
Length: 600, dtype: float64

列表示

print(df.mean(axis=0))

to_B      0.473463
to_C      0.317920
to_dnv    0.208617
dtype: float64

---

您是否已对尝试（部分工作或其他）进行编码？如果是这样的话，很高兴与大家分享它，这样人们就可以对你的代码提出改进建议。事实上，我不知道该从哪里开始这个问题的下一部分。不幸的是，它非常数学化，有点超出了我的专业知识。但是我现在已经用我到目前为止所用的代码编辑了这篇文章，我希望它能更好地展示我正在尝试做的事情的背景。你已经有一个尝试（部分工作或其他）编码了吗？如果是这样的话，很高兴与大家分享它，这样人们就可以对你的代码提出改进建议。事实上，我不知道该从哪里开始这个问题的下一部分。不幸的是，它非常数学化，有点超出了我的专业知识。但是我现在已经用我到目前为止所用的代码编辑了这篇文章，我希望它能更好地展示我所要做的事情的背景。太棒了+1.我对

scipy.stats.truncnorm

和

rvs

有一个（类似的）解决方案，但是Dirichlet分布在这里是完美的！太神了很好，非常感谢。不过，我已经看过了用这个做的分布，它似乎与正态分布相反。第一个例子的平均值约为0.3，第二个例子的平均值为0.5，这似乎是通过在极端情况下堆积来实现的：有没有其他建议来确保这是正常的？@Corrarien我仍然有兴趣看到你的解决方案，如果你有：）太好了+1.我对

scipy.stats.truncnorm

和

rvs

有一个（类似的）解决方案，但是Dirichlet分布在这里是完美的！太神了很好，非常感谢。不过，我已经看过了用这个做的分布，它似乎与正态分布相反。第一个例子的平均值约为0.3，第二个例子的平均值为0.5，这似乎是通过在极端情况下叠加来实现的：是否还有其他建议需要确保