Python中具有给定间隔和平均值的随机数生成器，而不是C#

我正在使用

python2.7.12

和

anaconda4.2.0（64位）

。尝试使用随机包生成随机数。我需要在

间隔内生成
n
个数

，它们的平均值应该是

指定值

。例如：

我希望

14

随机生成的数字介于

42000

和

91000

之间，我希望这些数字的平均值为

60000

我知道如何使用random生成整数：

random.randint（4200091000）

---

我可以把它放在一个for循环中，但是，我怎样才能将它们的平均值调整为

60000

？

有很多方法可以在两个值和一个特定的平均值之间生成随机数。Python为其中一些方法内置了方法，但当我说有很多方法时，我是认真的

最简单的方法是使用三角形分布<代码>随机。三角形（低、高、模式）将根据低和高之间的分布，以指定模式生成一个数字。这可能足够好了，但如果您真的想要一个平均值，您可以使用以下函数：

def triangular_mean(low, high, mean):
    mode = 3 * mean - low - high
    return random.triangular(low, high, mode)

def beta_mean(low, high, mean, alpha):
    offset = low
    scale = high - low
    true_mean = (mean - offset)/scale
    beta = (alpha/true_mean) - alpha
    return offset + scale * random.beta(alpha, beta)

如果您想变得更复杂，可以通过调用

random.beta（alpha，beta）

使用beta发行版。这些都是非常灵活和非常奇怪的；这张来自维基百科的图片凸显了它们有多奇怪

beta分布的平均值是

alpha/（alpha+beta）

，结果总是介于0和1之间，因此为了将其扩展到您的用例，让我们将其总结到以下函数中：

def triangular_mean(low, high, mean):
    mode = 3 * mean - low - high
    return random.triangular(low, high, mode)

def beta_mean(low, high, mean, alpha):
    offset = low
    scale = high - low
    true_mean = (mean - offset)/scale
    beta = (alpha/true_mean) - alpha
    return offset + scale * random.beta(alpha, beta)

在上述函数中，alpha将在不改变平均值的情况下改变分布的形状；它将改变分布的中位数、模式、方差和其他属性

还有其他的发行版可以用函数包装以适合您的用例，但是我想上面两个版本将适合您想要的任何用例

---

这些函数还将生成浮点数，因此如果需要整数，则必须将它们转换为整数，方法可以是编辑函数或在调用函数后显式转换它们。

有很多方法可以在两个值和特定平均值之间生成随机数。Python为其中一些方法内置了方法，但当我说有很多方法时，我是认真的

while True:  # until a good sample was found
  s = [ random.randint(42000, 91000) for _ in range(13) ]
  v = 60000 + (60000 - (sum(s) / len(s))) * 13
  if 42000 <= v <= 91000:
    s.append(v)
    break
print sum(s) / len(s)  # will print 60000

最简单的方法是使用三角形分布<代码>随机。三角形（低、高、模式）将根据低和高之间的分布，以指定模式生成一个数字。这可能足够好了，但如果您真的想要一个平均值，您可以使用以下函数：

def triangular_mean(low, high, mean):
    mode = 3 * mean - low - high
    return random.triangular(low, high, mode)

def beta_mean(low, high, mean, alpha):
    offset = low
    scale = high - low
    true_mean = (mean - offset)/scale
    beta = (alpha/true_mean) - alpha
    return offset + scale * random.beta(alpha, beta)

如果您想变得更复杂，可以通过调用

random.beta（alpha，beta）

使用beta发行版。这些都是非常灵活和非常奇怪的；这张来自维基百科的图片凸显了它们有多奇怪

beta分布的平均值是

alpha/（alpha+beta）

，结果总是介于0和1之间，因此为了将其扩展到您的用例，让我们将其总结到以下函数中：

def triangular_mean(low, high, mean):
    mode = 3 * mean - low - high
    return random.triangular(low, high, mode)

def beta_mean(low, high, mean, alpha):
    offset = low
    scale = high - low
    true_mean = (mean - offset)/scale
    beta = (alpha/true_mean) - alpha
    return offset + scale * random.beta(alpha, beta)

在上述函数中，alpha将在不改变平均值的情况下改变分布的形状；它将改变分布的中位数、模式、方差和其他属性

还有其他的发行版可以用函数包装以适合您的用例，但是我想上面两个版本将适合您想要的任何用例

这些函数还将生成浮点数，因此如果需要整数，则必须将它们转换为整数，方法是编辑函数或在调用函数后显式转换它们。

while True:#直到找到好的示例
while True:  # until a good sample was found
  s = [ random.randint(42000, 91000) for _ in range(13) ]
  v = 60000 + (60000 - (sum(s) / len(s))) * 13
  if 42000 <= v <= 91000:
    s.append(v)
    break
print sum(s) / len(s)  # will print 60000

s=[范围（13）内的随机随机随机数（4200091000）]
v=60000+（60000-（总和/长度））*13
如果42000
为真：#直到找到一个好的样本
s=[范围（13）内的随机随机随机数（4200091000）]
v=60000+（60000-（总和/长度））*13
如果为42000，应如何分配？高斯分布？可能是完全随机生成它们的重复，计算它们的平均值，最后稍微移动它们以获得所需的结果如何？@JacobG python！=c#想要一组具有特定属性的随机数（“它们的平均值应为60”）的问题在于这两个方面相互矛盾。您可以有一个随机数生成器，它将围绕给定的平均值生成随机数。如果你拿其中的14个，那么这一组将有不同的平均值。它们将如何分配？高斯分布？可能是完全随机生成它们的重复，计算它们的平均值，最后稍微移动它们以获得所需的结果如何？@JacobG python！=c#想要一组具有特定属性的随机数（“它们的平均值应为60”）的问题在于这两个方面相互矛盾。您可以有一个随机数生成器，它将围绕给定的平均值生成随机数。如果你取其中14个，那么这个集合将有一个不同的平均值。我相信OP感兴趣的是修正样本平均值，而不是总体平均值。也许，我无法得到这个函数。但是，当我运行它一次的时候，我想它应该会产生60000，因为我们预期它应该是60000。然而，它产生了50585.37639745854，一些随机数，实际上并不接近60000。我相信OP对固定样本平均值而不是总体平均值感兴趣。可能我无法得到函数。但是，当我运行它一次的时候，我想它应该会产生60000，因为我们预期它应该是60000。然而，它的结果是50585.37639745854，这是一个不接近60000的随机数。这是一个矛盾问题的最佳答案@用户8028576，您要求使用
a=42000
和
b=91000
构建离散均匀分布。问题是，从数学上讲，该分布的平均值应该是（a+b）/2=66500，或者