Python 如何模拟具有固定间隔的变量？

我试图模拟现实生活中的过程。历史上测量过的变量显示了一个固定的区间，因此越低越大，这些值在物理上是不可能的

为了模拟过程输出，每个输入变量的历史数据分别表示为最佳拟合概率分布（使用这种方法：）

---

然而，模拟n次时得到的理论分布并不代表实际生活中预期的最小值和最大值。我正在考虑对每个模拟应用“除测试外的尝试”来检查每个模拟值是否在预期间隔之间，但我不确定这是否是处理此问题的最佳方法，因为没有达到实验平均值和方差。

您可以在numpy中使用布尔掩码来重新生成超出所需边界的值。例如：

def random_with_bounds(func, size, bounds):
    x = func(size=size)
    r = (x < bounds[0]) | (x > bounds[1])
    while r.any():
        x[r] = func(size=r.sum())
        r[r] = (x[r] < bounds[0]) | (x[r] > bounds[1])
    return x

另一个版本通过

np.arg使用索引数组，其中

略微提高了性能：

def random_with_bounds_2(func, size, bounds):
    x = func(size=size)
    r = np.argwhere((x < bounds[0]) | (x > bounds[1])).ravel()
    while r.size > 0:
        x[r] = func(size=r.size)
        r = r[(x[r] < bounds[0]) | (x[r] > bounds[1])]
    return x

def random_和_-bounds_2（func，size，bounds）：
x=func（大小=大小）
r=np.argwhere（（xbounds[1]））.ravel（）
当r.size>0时：
x[r]=func（大小=r.size）
r=r[（x[r]bounds[1]）]
返回x

请给出您当前所做工作的实际代码，我发现您的口头解释不清楚。

def random_with_bounds_2(func, size, bounds):
    x = func(size=size)
    r = np.argwhere((x < bounds[0]) | (x > bounds[1])).ravel()
    while r.size > 0:
        x[r] = func(size=r.size)
        r = r[(x[r] < bounds[0]) | (x[r] > bounds[1])]
    return x