数据生成基础：随机数、时间序列与Pandas/NumPy入门

大家好，我是老张。做市场仿真数据生成这些年，我最大的体会就是：数据生成不是瞎编，而是有章法的模拟。今天咱们就从最基础的三板斧开始——随机数、时间序列、还有那两个绕不开的库。

说实话，刚入行那会儿我也踩过坑。有一次生成用户行为数据，直接用均匀分布模拟点击率，结果模型训练出来一塌糊涂。后来才明白，真实世界的分布哪有那么均匀？

1. 随机数生成：均匀分布与正态分布

随机数是仿真数据的基石。但你要记住：计算机生成的随机数，本质上是伪随机。什么意思？就是给定一个种子，它生成的序列是确定的。

我个人习惯用 NumPy 的 random 模块。为什么？因为它快，而且接口统一。来看个例子：

import numpy as np

# 设置种子，保证结果可复现
np.random.seed(42)

# 均匀分布：生成1000个0到1之间的数
uniform_data = np.random.uniform(0, 1, 1000)

# 正态分布：均值0，标准差1，生成1000个
normal_data = np.random.normal(0, 1, 1000)

# 实际项目中，我常用正态分布模拟用户活跃度
user_activity = np.random.normal(50, 15, 10000)  # 均值50，标准差15

2. 时间序列基础：让数据带上时间戳

市场数据最怕什么？没有时间维度。你想想看，没有时间标签的数据，就像没有日期的账本——根本没法分析趋势。

时间序列生成，我建议掌握三个核心操作：

• 生成连续时间点：用 pd.date_range()
• 添加随机波动：在趋势上叠加噪声
• 处理缺失值：模拟真实采集中的丢数据情况

import pandas as pd
import numpy as np

# 生成2024年1月1日到1月31日，每小时一个点
time_index = pd.date_range('2024-01-01', '2024-01-31 23:00:00', freq='H')

# 模拟销售额：基础趋势 + 随机波动
base_sales = 100 + 10 * np.sin(np.arange(len(time_index)) * 2 * np.pi / 24)  # 日周期
noise = np.random.normal(0, 5, len(time_index))
sales = base_sales + noise

# 构建DataFrame
df = pd.DataFrame({
    'timestamp': time_index,
    'sales': sales
})

3. Pandas与NumPy入门：两个离不开的库

做数据生成，NumPy 和 Pandas 就像左右手。NumPy 负责「算」，Pandas 负责「管」。

我整理了一张图，帮你快速理解它们的关系：

这张图想表达什么？NumPy 负责底层计算，Pandas 在上层做数据组织。你先生成原始数据（NumPy），再装进表格（Pandas），最后导出。

4. 实战：生成一份市场仿真数据

光说不练假把式。咱们来生成一份「电商用户行为」仿真数据，把今天学的串起来：

import pandas as pd
import numpy as np

# 1. 生成用户ID
user_ids = np.arange(1, 1001)

# 2. 生成注册时间（正态分布，集中在2023年）
reg_dates = pd.date_range('2023-01-01', '2023-12-31', periods=1000)
reg_dates = reg_dates + pd.to_timedelta(
    np.random.normal(0, 4, 1000), unit='h'  # 随机偏移几小时
)

# 3. 生成消费金额（对数正态分布，更真实）
spend = np.random.lognormal(mean=4.5, sigma=0.8, size=1000)

# 4. 生成活跃天数（泊松分布）
active_days = np.random.poisson(lam=30, size=1000)

# 5. 组装DataFrame
df_users = pd.DataFrame({
    'user_id': user_ids,
    'reg_date': reg_dates,
    'total_spend': spend.round(2),
    'active_days': active_days
})

print(df_users.head())

5. 常见坑与避坑指南

做数据生成这些年，我总结了几条血泪教训：

坑	表现	怎么避
种子没固定	每次运行结果不同，调试困难	开发阶段固定 seed=42
分布选错	数据看起来「假」	先想真实场景是什么分布
时间戳没排序	分析时顺序错乱	生成后立即 sort_values()
数据类型不对	后续计算报错	生成时指定 dtype

嗯，说到数据类型，我记得有一次生成用户ID时用了 int64，结果后面做 join 时 Pandas 自动转成了 float64，排查了半天。后来我养成习惯：ID 字段一律用 object 类型，省心。

好了，这一章的内容就这些。随机数、时间序列、Pandas/NumPy，这三样东西你掌握了，后面生成复杂仿真数据就有了底气。记住：好的仿真数据，从理解真实分布开始。

---