根据您的需求，以下是使用Python生成符合均匀分布的随机数据集的代码。此代码可用于生成类似文中提到的`GAUSS`和`EXP`数据集，但请注意，这里我们将专注于生成均匀分布的数据集，而不是正态或指数分布的数据集。 ### 使用均匀分布生成多维随机数据集的Python代码： ```python import numpy as np import pandas as pd def generate_uniform_dataset(num_samples, num_dimensions, low=-1, high=1, seed=None): """ 生成多维均匀分布的随机数据集 参数: - num_samples: int, 样本数量 - num_dimensions: int, 数据集的维度数 - low: float 或 list/array, 每个维度的最小值（如果是list/array，则长度必须等于num_dimensions） - high: float 或 list/array, 每个维度的最大值（如果是list/array，则长度必须等于num_dimensions） - seed: int, 随机种子，用于复现实验结果 返回: - DataFrame, 包含生成的数据集 """ # 设置随机种子 if seed is not None: np.random.seed(seed) # 如果low和high是标量，则为所有维度创建相同的范围 if isinstance(low, (int, float)): low = [low] * num_dimensions if isinstance(high, (int, float)): high = [high] * num_dimensions # 检查low和high的长度是否与num_dimensions匹配 if len(low) != num_dimensions or len(high) != num_dimensions: raise ValueError("low 和 high 必须是标量或长度等于 num_dimensions 的列表/数组") # 生成数据 data = np.array([np.random.uniform(l, h, num_samples) for l, h in zip(low, high)]).T # 创建DataFrame columns = [f'dim_{i}' for i in range(num_dimensions)] df = pd.DataFrame(data, columns=columns) return df # 示例：生成一个包含10000个样本、16个维度的均匀分布数据集 dataset = generate_uniform_dataset(num_samples=10000, num_dimensions=16, low=-1, high=1, seed=42) # 查看前几行数据 print(dataset.head()) # 保存数据集到CSV文件（可选） dataset.to_csv('uniform_dataset.csv', index=False) ``` ### 解释： - `generate_uniform_dataset` 函数用于生成指定样本数量 (`num_samples`) 和维度 (`num_dimensions`) 的均匀分布数据集。 - `low` 和 `high` 参数指定了每个维度的取值范围，默认为 [-1, 1]，可以根据需要修改。 - `seed` 参数用于设置随机种子，确保每次生成的数据集相同。 - 生成的数据将以 Pandas DataFrame 的形式返回，并可以选择保存为 CSV 文件。 您可以根据自己的需求调整参数，生成不同规模和维度的数据集。这个代码片段可以帮助您快速生成符合均匀分布的多维随机数据集，用于测试或实验目的。