本项目旨在生成一个包含 100 万条数据 的**男性人口合成数据集。数据集设计基于真实人口统计数据，通过条件概率分布和随机采样技术生成，涵盖了以下具体特征：
- 年龄：基于全国人口年龄分布的抽样数据生成，确保样本符合实际人口年龄段比例。
- 身高：按年龄段定义身高的均值和标准差，结合正态分布模拟不同年龄段的身高差异。
- 家乡：作为独立变量，通过随机采样生成，包括“农村”、“县城”、“三线城市”、“二线城市”、“一线城市”五类。
-
教育水平：考虑年龄与家乡对教育水平的影响，通过
$P(\text{教育水平}|\text{年龄}, \text{家乡})$ 模拟生成，教育水平包括“高中及以下”、“大专”、“本科”、“研究生及以上”四类。 -
收入：基于年龄与教育水平的组合，通过
$P(\text{收入}|\text{年龄}, \text{教育水平})$ 模拟年收入分布，收入档次包括“<5万”、“5-15万”、“15-30万”、“30-50万”、“50-100万”、“>100万”。 -
现居住地：结合家乡与教育水平，通过
$P(\text{现居住地}|\text{家乡}, \text{教育水平})$ 模拟生成，现居住地包括“农村”、“县城”、“三线城市”、“二线城市”、“一线城市”五类。 -
房产状况：通过
$P(\text{房产状况}|\text{年龄}, \text{收入}, \text{现居住地})$ 生成房产拥有情况，包括“无房产”、“有房有贷款”、“有房无贷款”三类。 -
健康状况：模拟年龄与健康之间的关系，通过
$P(\text{健康状况}|\text{年龄})$ 生成，包括“健康”、“亚健康”、“慢性病”、“重大疾病”四类。 -
婚姻状况：模拟年龄与婚姻之间的关系，通过
$P(\text{婚姻状况}|\text{年龄})$ 生成，包括“未婚”、“离异无孩子”、“离异有孩子”、“已婚”四类。 -
视力：结合教育水平生成视力分布，通过
$P(\text{视力}|\text{教育水平})$ 模拟，包括“不近视”、“近视低于400度”、“近视高于400度”三类。 -
个人资产：结合年龄、收入、教育水平和现居住地，通过
$P(\text{个人资产}|\text{年龄}, \text{收入}, \text{教育水平}, \text{现居住地})$ 计算，包括“<10万”、“10-50万”、“50-200万”、“200-500万”、“500-1000万”、“>1000万”。 -
生活习惯：
- 吸烟习惯：通过随机生成，包括“不吸烟”、“偶尔吸烟”、“经常吸烟”三类。
- 饮酒习惯：通过随机生成，包括“禁酒”、“偶尔喝”、“经常喝”三类。
- 宗教信仰：通过随机生成，包括“无信仰”、“有宗教信仰”两类。
-
个人评分：生成以下具体评分：
- 颜值评分：随机生成，范围为1到5分。
- 幽默感评分：随机生成，范围为1到5分。
- 身材评分：随机生成，范围为1到5分。
-
性吸引力评分：通过
$P(\text{性吸引力评分}|\text{颜值评分}, \text{身材评分}, \text{幽默感评分}, \text{身高}, \text{年龄})$ 计算，范围为1到5分。
- 真实感：所有变量的分布均基于实际统计数据或合理假设，变量间的依赖关系通过条件概率建模。
- 覆盖全面：涵盖年龄、身高、家乡、现居住地、教育水平、收入、房产状况、健康状况、婚姻状况、视力、个人资产、生活习惯（吸烟习惯、饮酒习惯、宗教信仰）以及个人评分（颜值评分、幽默感评分、身材评分、性吸引力评分）。
- 灵活易用：提供多种格式的数据文件（CSV、JSON、Parquet），便于加载和分析。
本项目适合以下用途：
- 教学与研究：用于机器学习模型训练、统计分析和数据可视化课程的示例数据。
- 模型测试：验证分类、回归、聚类等算法在复杂数据集上的性能。
- 数据探索：进行人口特征的探索性分析或创建交互式可视化。
下一部分将详细说明数据集结构和每个变量的生成逻辑。
年龄分布基于全国人口统计数据，结合 2022 年**人口抽样调查结果（千分之一样本），按以下每个年龄段的实际人数生成。
| 年龄段 | 人数 |
|---|---|
| 0-4 | 32589 |
| 5-9 | 48010 |
| 10-14 | 49065 |
| 15-19 | 42687 |
| 20-24 | 39146 |
| 25-29 | 44806 |
| 30-34 | 60488 |
| 35-39 | 56397 |
| 40-44 | 50422 |
| 45-49 | 52930 |
| 50-54 | 64419 |
| 55-59 | 58880 |
| 60-64 | 35813 |
| 65-69 | 39343 |
| 70-74 | 28355 |
| 75-79 | 16956 |
| 80-84 | 10137 |
| 85-89 | 5223 |
| 90-94 | 1654 |
| 95-99 | 311 |
- 年龄段分布：直接使用统计数据，计算每个年龄段的概率分布。
- 具体年龄分布：假设每个年龄段内的年龄均匀分布，细化到每岁的概率。
- 随机采样：按照计算的概率分布生成目标样本数量的年龄数据。
# 年龄分布数据
age_distribution = {
'0-4': 32589,
'5-9': 48010,
'10-14': 49065,
'15-19': 42687,
'20-24': 39146,
'25-29': 44806,
'30-34': 60488,
'35-39': 56397,
'40-44': 50422,
'45-49': 52930,
'50-54': 64419,
'55-59': 58880,
'60-64': 35813,
'65-69': 39343,
'70-74': 28355,
'75-79': 16956,
'80-84': 10137,
'85-89': 5223,
'90-94': 1654,
'95-99': 311
}
# 将年龄段人数转换为每岁概率分布
def get_age_probs(age_distribution):
total_population = sum(age_distribution.values())
age_probs = {}
for age_group, group_count in age_distribution.items():
group_prob = group_count / total_population
start, end = map(int, age_group.split('-'))
for i in range(start, end + 1):
age_probs[i] = group_prob / (end - start + 1) # 平均分配到每岁
return age_probs
# 采样
def sample_ages(age_ranges, n_samples, age_probs):
return np.random.choice(
age_ranges,
size=n_samples,
p=list(age_probs.values())
)
# 定义年龄范围和样本量
age_ranges = range(0, 100)
n_samples = 1_000_000 # 样本总量
# 计算每岁的概率分布并采样
age_probs = get_age_probs(age_distribution)
ages = sample_ages(age_ranges, n_samples, age_probs)生成的数据经过对比验证，确保与统计数据的年龄分布一致。以下为生成数据与统计数据的对比图：
-
左图：生成数据的年龄分布直方图。
-
右图：生成数据与统计数据的年龄段对比条形图。
import matplotlib.pyplot as plt
# 汇总生成的每岁年龄到对应年龄段
def summarize_generated_age_distribution(ages, age_distribution):
generated_counts = {age: list(ages).count(age) for age in range(0, 100)}
generated_age_distribution = {}
for age_group in age_distribution.keys():
start, end = map(int, age_group.split('-'))
generated_age_distribution[age_group] = sum(
generated_counts.get(age, 0) for age in range(start, end + 1)
)
return generated_age_distribution
# 汇总结果
generated_age_distribution = summarize_generated_age_distribution(ages, age_distribution)
# 对比实际分布与生成分布
actual_counts = list(age_distribution.values())
generated_counts = list(generated_age_distribution.values())
age_groups = list(age_distribution.keys())
# 绘制图表
plt.figure(figsize=(12, 5))
# 左图：生成的年龄分布
plt.subplot(1, 2, 1)
plt.hist(ages, bins=100, color='skyblue', alpha=0.7, edgecolor='black')
plt.xlabel('年龄')
plt.ylabel('人数')
plt.title('生成数据的年龄分布')
# 右图：年龄段对比
plt.subplot(1, 2, 2)
plt.bar(age_groups, actual_counts, alpha=0.6, label='实际分布', color='orange')
plt.bar(age_groups, generated_counts, alpha=0.6, label='生成分布', color='blue')
plt.xlabel('年龄段')
plt.ylabel('人数')
plt.xticks(rotation=45)
plt.legend()
plt.title('实际分布与生成分布的对比')
plt.tight_layout()
plt.show()身高分布基于不同年龄段的人体生长规律。通过定义各年龄段的身高均值和标准差，结合正态分布模拟真实的身高分布。以下是生成逻辑：
- 儿童阶段（0-6 岁）：
- 基准均值随年龄递增，1 岁约 80 cm，每年增长约 7 cm。
- 标准差为 5 cm。
- 青少年阶段（6-18 岁）：
- 身高增长逐步放缓：
- 6-14 岁每年增长约 5 cm。
- 14-18 岁每年增长约 3 cm。
- 标准差为 6 cm。
- 身高增长逐步放缓：
- 成年人阶段（18 岁及以上）：
- 不同年龄段的身高均值逐渐下降：
- 18-20 岁均值为 172 cm。
- 20-30 岁均值为 174 cm，随后每 10 年略微降低。
- 标准差均为 6 cm。
- 不同年龄段的身高均值逐渐下降：
- 老年阶段（60 岁及以上）：
- 均值降至 168 cm，身高略微下降。
- 按年龄段定义身高分布：
- 不同年龄段的均值和标准差如下表所示：
| 年龄段 | 均值（cm） | 标准差（cm） |
|---|---|---|
| 0-6 岁 | 5 | |
| 6-14 岁 | 6 | |
| 14-18 岁 | 6 | |
| 18-20 岁 | 172 | 6 |
| 20-30 岁 | 174 | 6 |
| 30-40 岁 | 173 | 6 |
| 40-50 岁 | 171 | 6 |
| 50-60 岁 | 170 | 6 |
| 60 岁及以上 | 168 | 6 |
-
正态分布生成：
- 使用定义的均值和标准差，为每个年龄生成对应的身高。
- 为避免极端值，使用截断正态分布，限制范围为 [60, 200] cm。
-
随机生成：
- 通过
np.random.normal随机生成每个样本的身高，并使用np.clip截断至合理范围。
- 通过
以下为实现逻辑的代码片段：
def get_height_params(age):
"""根据年龄获取身高的均值和标准差"""
if age < 6:
mean = 80 + age * 7
std = 5
elif 6 <= age < 14:
mean = 115 + (age - 6) * 5
std = 6
elif 14 <= age < 18:
mean = 155 + (age - 14) * 3
std = 6
elif 18 <= age < 20:
mean = 172
std = 6
elif 20 <= age < 30:
mean = 174
std = 6
elif 30 <= age < 40:
mean = 173
std = 6
elif 40 <= age < 50:
mean = 171
std = 6
elif 50 <= age < 60:
mean = 170
std = 6
else:
mean = 168
std = 6
return mean, std
def generate_height(ages):
"""为给定年龄生成身高"""
heights = []
for age in ages:
mean, std = get_height_params(age)
min_height = max(mean - 3 * std, 60)
max_height = min(mean + 3 * std, 200)
height = np.random.normal(mean, std)
height = np.clip(height, min_height, max_height)
heights.append(round(height))
return heights家乡分布基于经验数据，考虑**不同区域的人口比例和城镇化水平。家乡被定义为个体的出生地或长期生活地，分为以下五类：
| 家乡分类 | 比例 (%) |
|---|---|
| 农村 | 30.0 |
| 县城 | 25.0 |
| 三线城市 | 20.0 |
| 二线城市 | 15.0 |
| 一线城市 | 10.0 |
- 确定家乡类别：按照以上比例分布随机生成家乡。
- 随机采样：使用
numpy.random.choice按概率生成目标样本的家乡类别。
# 家乡分布数据
hometown_probs = {
'农村': 0.30,
'县城': 0.25,
'三线城市': 0.20,
'二线城市': 0.15,
'一线城市': 0.10
}
# 采样
def sample_hometowns(hometown_probs, n_samples):
return np.random.choice(
list(hometown_probs.keys()), # 家乡类别
size=n_samples, # 样本总量
p=list(hometown_probs.values()) # 每类的生成概率
)
# 生成年龄对应的家乡分布
hometowns = sample_hometowns(hometown_probs, n_samples=1_000_000)生成的数据经过对比验证，确保与家乡的目标分布一致。以下为生成分布与目标分布的对比条形图：
import matplotlib.pyplot as plt
# 汇总生成数据的家乡分布
from collections import Counter
generated_counts = Counter(hometowns)
categories = list(hometown_probs.keys())
actual_counts = [p * len(hometowns) for p in hometown_probs.values()]
generated_counts_list = [generated_counts[category] for category in categories]
# 绘制对比图
plt.figure(figsize=(8, 5))
x = range(len(categories))
plt.bar(x, actual_counts, alpha=0.6, label='目标分布', color='orange')
plt.bar(x, generated_counts_list, alpha=0.6, label='生成分布', color='blue')
plt.xticks(x, categories)
plt.xlabel('家乡类别')
plt.ylabel('人数')
plt.title('家乡分布目标与生成对比')
plt.legend()
plt.tight_layout()
plt.show()教育水平分布基于**全国教育统计数据。教育水平分为以下四类：
| 教育水平 | 全国总体比例 (%) |
|---|---|
| 高中及以下 | 80.66 |
| 大专 | 9.69 |
| 本科 | 8.13 |
| 研究生及以上 | 0.93 |
实际生成中，教育水平受到以下因素的影响：
- 年龄：年轻人接受高等教育的比例更高。
- 家乡：发达地区（如一线城市）的高学历比例更高。
- 基准分布：以全国总体分布为基础，确定每类教育水平的初始比例。
- 年龄调整：为不同年龄段设置教育水平的修正系数，模拟年龄对学历的影响。
- 家乡调整：根据家乡类别设置修正系数，模拟地域对教育水平的影响。
- 概率归一化：结合基准分布、年龄修正系数和家乡修正系数，计算最终的条件概率分布。
- 随机采样：按照条件概率分布生成教育水平数据。
def get_education_probabilities(age, hometown):
"""
根据年龄和家乡返回教育程度的概率分布
教育程度：[高中及以下, 大专, 本科, 研究生及以上]
"""
# 基准概率 (全国总体教育程度分布)
# 高中及以下 = 没上过学 + 小学 + 初中 + 高中 = 80.66%
# 大专 = 9.69%
# 本科 = 8.13%
# 研究生 = 0.93%
base_probs = np.array([0.8066, 0.0969, 0.0813, 0.0093])
# 年龄调整系数 (年轻人受教育程度普遍更高)
age_factors = np.ones(4)
if age < 30:
age_factors = np.array([0.5, 1.5, 2.0, 2.5]) # 年轻人高学历比例更高
elif 30 <= age < 45:
age_factors = np.array([0.7, 1.3, 1.5, 1.8]) # 中年人学历分布相对均衡
elif 45 <= age < 60:
age_factors = np.array([1.2, 0.8, 0.6, 0.4]) # 中老年人低学历比例更高
else:
age_factors = np.array([1.5, 0.5, 0.3, 0.1]) # 老年人以低学历为主
# 地域调整系数
location_factors = {
'一线城市': np.array([0.4, 1.2, 1.8, 2.5]), # 一线城市高学历比例最高
'二线城市': np.array([0.6, 1.5, 1.5, 1.8]), # 二线城市学历分布相对均衡
'三线城市': np.array([0.8, 1.2, 1.2, 1.0]), # 三线城市中等学历为主
'县城': np.array([1.2, 0.8, 0.6, 0.3]), # 县城以低学历为主
'农村': np.array([1.5, 0.5, 0.3, 0.1]) # 农村以低学历为主
}
# 特殊约束条件
if age < 22: # 22岁以下研究生概率接近0
age_factors[3] = 0.001
if age < 19: # 19岁以下本科概率很低
age_factors[2] = 0.001
# 计算最终概率
final_probs = base_probs * age_factors * location_factors[hometown]
# 归一化
final_probs = final_probs / final_probs.sum()
return final_probs
def generate_education(ages, hometowns):
"""为给定的年龄和家乡生成教育程度"""
education_levels = ['高中及以下', '大专', '本科', '研究生及以上']
education = []
for age, hometown in zip(ages, hometowns):
probs = get_education_probabilities(age, hometown)
edu = np.random.choice(education_levels, p=probs)
education.append(edu)
return education收入分布基于**劳动力市场的经验数据，同时结合以下关键因素生成：
- 年龄：
- 在职人员（18-59岁）的收入分布会受到年龄修正系数的动态影响。
- 60 岁及以上人群的收入分布直接取决于其学历。
- 教育水平：
- 不同学历的收入分布在所有年龄段均保持一致，学历越高，高收入档次占比越大。
| 收入档次 | 定义 |
|---|---|
<5万 |
年收入低于 5 万 |
5-15万 |
年收入在 5 到 15 万之间 |
15-30万 |
年收入在 15 到 30 万之间 |
30-50万 |
年收入在 30 到 50 万之间 |
50-100万 |
年收入在 50 到 100 万之间 |
>100万 |
年收入高于 100 万 |
-
学历的基础分布：
- 收入的静态分布直接由学历决定：
- 研究生及以上：高收入档次比例显著，例如
[0.05, 0.35, 0.35, 0.15, 0.08, 0.02]。 - 高中及以下：集中在低收入档次，例如
[0.40, 0.45, 0.10, 0.04, 0.01, 0.00]。
- 研究生及以上：高收入档次比例显著，例如
- 收入的静态分布直接由学历决定：
-
年龄的动态修正（在职人员 18-59 岁）：
- 不同年龄段的修正系数：
- <25 岁：以低收入为主，例如
[1.5, 1.2, 0.6, 0.3, 0.1, 0.0]。 - 35-45 岁：高收入比例达到最大，例如
[0.5, 0.8, 1.0, 1.2, 1.1, 1.0]。 - 45-59 岁：收入保持稳定，高收入档次维持较高比例。
- <25 岁：以低收入为主，例如
- 不同年龄段的修正系数：
-
退休阶段（≥60 岁）：
- 60 岁及以上的收入分布直接采用学历的静态分布，无动态调整。
-
条件概率计算：
- 结合学历的基础分布和年龄修正系数，计算每个收入档次的条件概率。
- 概率归一化，确保总和为 1。
-
随机采样：
- 按条件概率生成样本的收入档次数据。
def get_income_probabilities(age, education):
"""根据年龄和教育程度返回收入的概率分布"""
retirement_age = 60
# 退休后的收入分布
if age >= retirement_age:
if education == '研究生及以上':
# 退休金较高，集中在中等偏上收入段
return np.array([0.05, 0.15, 0.40, 0.25, 0.12, 0.03])
elif education == '本科':
# 退休金中等偏上
return np.array([0.10, 0.25, 0.35, 0.20, 0.08, 0.02])
elif education == '大专':
# 退休金中等
return np.array([0.15, 0.40, 0.30, 0.10, 0.04, 0.01])
else: # 高中及以下
# 退休金较低
return np.array([0.40, 0.45, 0.12, 0.02, 0.01, 0.00])
# 在职人员的收入分布
if education == '研究生及以上':
base_probs = np.array([0.05, 0.35, 0.35, 0.15, 0.08, 0.02])
elif education == '本科':
base_probs = np.array([0.10, 0.45, 0.30, 0.10, 0.04, 0.01])
elif education == '大专':
base_probs = np.array([0.20, 0.50, 0.20, 0.07, 0.02, 0.01])
else: # 高中及以下
base_probs = np.array([0.40, 0.45, 0.10, 0.04, 0.01, 0.00])
# 年龄对在职人员收入的影响
if age < 25:
# 刚工作，收入普遍较低
age_effect = np.array([1.5, 1.2, 0.6, 0.3, 0.1, 0.0])
elif 25 <= age < 35:
# 职业发展期，收入快速增长
age_effect = np.array([0.7, 1.0, 1.2, 1.1, 0.8, 0.5])
elif 35 <= age < 45:
# 事业上升期，高收入比例增加
age_effect = np.array([0.5, 0.8, 1.0, 1.2, 1.1, 1.0])
else: # 45-60
# 事业稳定期，保持较高收入
age_effect = np.array([0.4, 0.7, 1.0, 1.1, 1.2, 1.2])
# 计算在职人员最终概率
final_probs = base_probs * age_effect
final_probs = final_probs / final_probs.sum()
# 特殊约束
if age < 18:
final_probs = np.array([0.8, 0.18, 0.02, 0.0, 0.0, 0.0])
return final_probs
def generate_income(ages, education_levels):
"""为给定的年龄和教育程度生成收入"""
income_levels = ['<5万', '5-15万', '15-30万', '30-50万', '50-100万', '>100万']
income = []
for age, edu in zip(ages, education_levels):
probs = get_income_probabilities(age, edu)
inc = np.random.choice(income_levels, p=probs)
income.append(inc)
return income现居住地的生成基于家乡所在地与教育水平的条件概率分布。我们模拟了从家乡（出生地）到当前居住地的迁移模式，结合教育水平的影响，生成样本的现居住地。现居住地包含以下五个类别：
- 一线城市（北上广深）。
- 二线城市（省会城市及计划单列市）。
- 三线城市（普通地级市）。
- 县城。
- 农村。
现居住地的分布由以下几个关键因素决定：
-
基础流动模式：
- 从家乡到当前居住地的流动矩阵，表示人口从某个家乡类型流动到目标居住地类型的基础概率。例如：
- 农村到一线城市的概率较低，而一线城市到一线城市的概率较高。
- 从家乡到当前居住地的流动矩阵，表示人口从某个家乡类型流动到目标居住地类型的基础概率。例如：
-
教育水平的影响：
- 教育水平越高，迁移到高等级城市的概率越大。例如：
- 具有“研究生及以上”学历的人更可能居住在一线或二线城市。
- 具有“高中及以下”学历的人更可能居住在县城或农村。
- 教育水平越高，迁移到高等级城市的概率越大。例如：
-
最终条件概率计算：
- 通过结合基础流动概率和教育水平的影响系数，生成条件概率
$P(\text{现居住地} \mid \text{家乡, 教育水平})$ 。
- 通过结合基础流动概率和教育水平的影响系数，生成条件概率
-
基础流动矩阵：
- 每一行表示从家乡迁移到现居住地的基础概率。例如：
家乡 一线城市 二线城市 三线城市 县城 农村 一线城市 0.80 0.15 0.03 0.01 0.01 二线城市 0.20 0.65 0.10 0.03 0.02 三线城市 0.15 0.20 0.55 0.07 0.03 县城 0.10 0.15 0.20 0.45 0.10 农村 0.05 0.10 0.15 0.30 0.40
- 每一行表示从家乡迁移到现居住地的基础概率。例如：
-
教育水平调整系数：
- 不同教育水平对迁移概率的修正系数。例如：
- 研究生及以上：
- 一线城市：2.0。
- 农村：0.1。
- 高中及以下：
- 一线城市：0.5。
- 农村：1.2。
- 研究生及以上：
- 不同教育水平对迁移概率的修正系数。例如：
-
最终概率计算：
- 使用以下公式计算条件概率：
- 并归一化以确保总和为 1。
以下是用于生成现居住地的代码片段：
def get_location_probabilities(hometown, education):
"""
获取当前居住地的概率分布
location_levels = ['一线城市', '二线城市', '三线城市', '县城', '农村']
"""
# 基础流动矩阵（从hometown到current_location的概率）
# 行：hometown，列：current_location
base_mobility = {
'一线城市': [0.80, 0.15, 0.03, 0.01, 0.01], # 一线城市更可能留在一线
'二线城市': [0.20, 0.65, 0.10, 0.03, 0.02], # 二线城市有机会去一线
'三线城市': [0.15, 0.20, 0.55, 0.07, 0.03], # 三线城市向上流动机会适中
'县城': [0.10, 0.15, 0.20, 0.45, 0.10], # 县城有一定向上流动
'农村': [0.05, 0.10, 0.15, 0.30, 0.40] # 农村向上流动难度较大
}
# 教育水平对流动的影响系数
education_factors = {
'研究生及以上': {
'一线城市': 2.0, # 研究生更可能去一线城市
'二线城市': 1.5, # 二线城市次之
'三线城市': 0.8,
'县城': 0.3,
'农村': 0.1
},
'本科': {
'一线城市': 1.5,
'二线城市': 1.3,
'三线城市': 1.0,
'县城': 0.5,
'农村': 0.2
},
'大专': {
'一线城市': 1.0,
'二线城市': 1.2,
'三线城市': 1.2,
'县城': 0.8,
'农村': 0.4
},
'高中及以下': {
'一线城市': 0.5,
'二线城市': 0.8,
'三线城市': 1.0,
'县城': 1.2,
'农村': 1.2
}
}
# 获取基础流动概率
probs = np.array(base_mobility[hometown])
# 应用教育水平的影响
factors = np.array([education_factors[education][loc] for loc in
['一线城市', '二线城市', '三线城市', '县城', '农村']])
# 计算最终概率
final_probs = probs * factors
# 归一化
final_probs = final_probs / final_probs.sum()
return final_probs
def generate_current_location(hometowns, education_levels):
"""为给定的家乡和教育程度生成当前居住地"""
location_levels = ['一线城市', '二线城市', '三线城市', '县城', '农村']
current_locations = []
for hometown, edu in zip(hometowns, education_levels):
probs = get_location_probabilities(hometown, edu)
loc = np.random.choice(location_levels, p=probs)
current_locations.append(loc)
return current_locations房产状况模拟基于个体的 收入、现居住地 和 年龄。我们定义了三个房产状态：
- 无房产。
- 有房有贷款。
- 有房无贷款。
房产状况的生成遵循以下逻辑：
-
基础购房难度：
- 不同城市的房价和购房难度差异显著，按城市等级定义购房难度系数。例如：
- 一线城市：购房难度系数为 2.5。
- 农村：购房难度系数为 0.7。
- 不同城市的房价和购房难度差异显著，按城市等级定义购房难度系数。例如：
-
收入的影响：
- 收入档次决定了购房能力，每个收入档次对应的基础概率为：
收入档次 无房产 有房有贷款 有房无贷款 <5万 80% 15% 5% 5-15万 70% 25% 5% 15-30万 50% 40% 10% 30-50万 30% 50% 20% 50-100万 20% 45% 35% >100万 10% 35% 55%
- 收入档次决定了购房能力，每个收入档次对应的基础概率为：
-
年龄的影响：
- 年龄影响购房意愿和还贷进度：
- <25岁：无房产的比例较高。
- 25-40岁：买房高峰期，有房有贷款的比例增加。
- >40岁：还贷进程加快，有房无贷款的比例显著增加。
- 年龄影响购房意愿和还贷进度：
-
计算条件概率：
- 综合购房难度、收入和年龄影响系数，生成条件概率
$P(\text{房产状态} \mid \text{收入, 现居住地, 年龄})$ 。
- 综合购房难度、收入和年龄影响系数，生成条件概率
def get_property_probabilities(income, current_location, age):
"""
获取房产状态的概率分布
property_status = ['无房产', '有房有贷款', '有房无贷款']
"""
# 基础购房难度系数（越大表示越难买房）
location_difficulty = {
'一线城市': 2.5,
'二线城市': 1.8,
'三线城市': 1.3,
'县城': 1.0,
'农村': 0.7
}
# 收入档位对应的基础有房概率
income_base_probs = {
'<5万': [0.80, 0.15, 0.05], # [无房产, 有房有贷款, 有房无贷款]
'5-15万': [0.70, 0.25, 0.05],
'15-30万': [0.50, 0.40, 0.10],
'30-50万': [0.30, 0.50, 0.20],
'50-100万': [0.20, 0.45, 0.35],
'>100万': [0.10, 0.35, 0.55]
}
# 年龄影响系数
def get_age_factor(age):
if age < 25:
return [1.5, 0.3, 0.1] # 年轻人更可能无房
elif 25 <= age < 30:
return [1.2, 0.8, 0.4] # 开始买房
elif 30 <= age < 40:
return [0.8, 1.2, 0.8] # 买房高峰期
elif 40 <= age < 50:
return [0.7, 1.0, 1.2] # 开始还清贷款
else:
return [0.6, 0.7, 1.5] # 更可能已还清贷款
# 获取基础概率
base_probs = np.array(income_base_probs[income])
# 应用城市难度系数
difficulty = location_difficulty[current_location]
adjusted_probs = np.array([
base_probs[0] * difficulty, # 无房概率增加
base_probs[1], # 有贷款概率保持
base_probs[2] / difficulty # 无贷款概率降低
])
# 应用年龄影响
age_factors = np.array(get_age_factor(age))
final_probs = adjusted_probs * age_factors
# 归一化
final_probs = final_probs / final_probs.sum()
return final_probs
def generate_property_status(incomes, current_locations, ages):
"""为给定的收入和居住地生成房产状态"""
property_status_levels = ['无房产', '有房有贷款', '有房无贷款']
property_status = []
for income, location, age in zip(incomes, current_locations, ages):
probs = get_property_probabilities(income, location, age)
status = np.random.choice(property_status_levels, p=probs)
property_status.append(status)
return property_status婚姻状况模拟基于不同年龄段的分布特征，定义了以下四种婚姻状态：
- 未婚。
- 离异无孩子。
- 离异有孩子。
- 已婚。
婚姻状态的生成依据为年龄段划分，每个年龄段的婚姻状况概率不同，体现社会普遍规律和婚姻习惯。
-
年龄段划分：
- 婚姻状态的分布随年龄变化显著，年龄越大，已婚比例越高，未婚比例逐步下降。
-
婚姻状况的条件概率：
- 根据每个年龄段的特点，定义婚姻状态的条件概率
$P(\text{婚姻状况} \mid \text{年龄})$ 。
- 根据每个年龄段的特点，定义婚姻状态的条件概率
| 年龄段 | 未婚 | 离异无孩子 | 离异有孩子 | 已婚 |
|---|---|---|---|---|
| <22岁 | 99% | 0% | 0% | 1% |
| 22-25岁 | 95% | 2% | 1% | 2% |
| 26-29岁 | 80% | 5% | 3% | 12% |
| 30-34岁 | 60% | 8% | 7% | 25% |
| 35-39岁 | 40% | 10% | 15% | 35% |
| 40-49岁 | 25% | 12% | 23% | 40% |
| ≥50岁 | 15% | 13% | 27% | 45% |
def get_marital_status_probabilities(age):
"""
根据年龄返回婚姻状况的概率分布
marital_status = ['未婚', '离异无孩子', '离异有孩子', '已婚']
"""
if age < 22:
probs = [0.99, 0.0, 0.0, 0.01]
elif 22 <= age < 26:
probs = [0.95, 0.02, 0.01, 0.02]
elif 26 <= age < 30:
probs = [0.80, 0.05, 0.03, 0.12]
elif 30 <= age < 35:
probs = [0.60, 0.08, 0.07, 0.25]
elif 35 <= age < 40:
probs = [0.40, 0.10, 0.15, 0.35]
elif 40 <= age < 50:
probs = [0.25, 0.12, 0.23, 0.40]
else:
probs = [0.15, 0.13, 0.27, 0.45]
# 确保概率和为1
return np.array(probs) / np.sum(probs)受年龄影响。
代码：
def get_health_status_probabilities(age):
"""
根据年龄返回健康状况的概率分布
health_status = ['健康', '亚健康', '慢性病', '重大疾病']
"""
if age < 25:
probs = [0.90, 0.08, 0.015, 0.005]
elif 25 <= age < 35:
probs = [0.85, 0.12, 0.03, 0.01]
elif 35 <= age < 45:
probs = [0.75, 0.15, 0.08, 0.02]
elif 45 <= age < 55:
probs = [0.65, 0.20, 0.12, 0.03]
elif 55 <= age < 65:
probs = [0.50, 0.25, 0.20, 0.05]
else:
probs = [0.35, 0.30, 0.28, 0.07]
# 确保概率和为1
return np.array(probs) / np.sum(probs)独立变量。代码如下
def generate_independent_features(n_samples):
"""生成其他独立的特征"""
# 其他分类特征
return {
'religion': np.random.choice(
['无信仰', '有宗教信仰'],
size=n_samples,
p=[0.95, 0.05]
),
'smoking_habit': np.random.choice(
['不吸烟', '偶尔吸烟', '经常吸烟'],
size=n_samples,
p=[0.70, 0.20, 0.10]
),
'drinking_habit': np.random.choice(
['禁酒', '偶尔喝', '经常喝'],
size=n_samples,
p=[0.50, 0.40, 0.10]
),
}前三者为独立变量。代码如下
def generate_scores(n_samples, ages, heights):
"""生成所有评分特征"""
# 生成基础分数
basic_scores = {
'face_score': np.random.randint(1, 6, size=n_samples),
'humor_score': np.random.randint(1, 6, size=n_samples),
'body_score': np.random.randint(1, 6, size=n_samples)
}
# 计算性吸引力得分
sex_attract_scores = []
for i in range(n_samples):
score = calculate_sex_attract_score(
basic_scores['face_score'][i],
basic_scores['body_score'][i],
basic_scores['humor_score'][i],
heights[i],
ages[i]
)
sex_attract_scores.append(score)
return {
**basic_scores,
'sex_attract_score': sex_attract_scores
}受年龄、身高、颜值、身材、幽默感影响。代码如下
def get_height_attraction_factor(height):
"""
计算身高对性吸引力的影响因子
180以上：极高加成
175-180：高加成
170-175：正常
170以下：略微降低
"""
if height >= 180:
return 1.5 # 显著提升性吸引力
elif 175 <= height < 180:
return 1.3 # 较高提升
elif 170 <= height < 175:
return 1.0 # 标准水平
elif 165 <= height < 170:
return 0.9 # 略微降低
else:
return 0.8 # 明显降低
def get_age_attraction_factor(age):
"""
计算年龄对性吸引力的影响因子
考虑男性在不同年龄段的魅力特点
"""
if 25 <= age < 35:
return 1.2 # 黄金年龄段
elif 35 <= age < 45:
return 1.1 # 成熟魅力
elif 45 <= age < 55:
return 1.0 # 标准水平
elif 55 <= age < 65:
return 0.9 # 略微下降
else:
return 0.8 # 明显下降
def calculate_sex_attract_score(
face_score, body_score, humor_score, height, age):
"""
计算性吸引力得分
权重:
- 颜值 0.3
- 身材 0.2
- 身高影响因子 0.3
- 幽默感 0.2
最后乘以年龄影响因子
"""
# 基础分数计算
base_score = (0.3 * face_score +
0.2 * body_score +
0.2 * humor_score)
# 身高影响
height_factor = get_height_attraction_factor(height)
height_component = 0.3 * height_factor * 5 # 将身高影响标准化到5分制
# 合并所有组件
weighted_score = base_score + height_component
# 应用年龄因子
age_factor = get_age_attraction_factor(age)
weighted_score *= age_factor
# 加入随机波动（±0.3分）
random_factor = np.random.uniform(-0.3, 0.3)
final_score = round(weighted_score + random_factor)
# 确保分数在1-5范围内
return np.clip(final_score, 1, 5)受教育程度影响。
代码如下
def get_vision_probabilities(education):
"""
根据教育程度返回视力状况的概率分布
vision_status = ['不近视', '近视低于400度', '近视高于400度']
"""
if education == '研究生及以上':
# 高学历群体近视比例最高
return np.array([0.15, 0.45, 0.40])
elif education == '本科':
# 本科生近视比例也较高
return np.array([0.20, 0.50, 0.30])
elif education == '大专':
# 中等教育近视比例适中
return np.array([0.30, 0.50, 0.20])
else: # 高中及以下
# 低教育程度近视比例较低
return np.array([0.50, 0.40, 0.10])受到年龄、收入、教育程度、所在城市影响。代码如下
def calculate_personal_asset(age, income, education, current_location):
"""
计算个人总资产
考虑：年收入、工作年限、储蓄率、生活成本、城市房产等因素
"""
# 收入等级到月收入的映射（取区间中位数）
income_to_monthly = {
'<5万': 0.3, # 月收入0.3万
'5-15万': 0.8, # 月收入0.8万
'15-30万': 1.9, # 月收入1.9万
'30-50万': 3.3, # 月收入3.3万
'50-100万': 6.2, # 月收入6.2万
'>100万': 12.5 # 月收入12.5万
}
# 城市等级对应的月生活成本（单位：万）
living_cost = {
'一线城市': 1.0,
'二线城市': 0.7,
'三线城市': 0.5,
'县城': 0.3,
'农村': 0.2
}
# 教育水平对应的基础储蓄率
education_saving_rate = {
'研究生及以上': 0.35,
'本科': 0.30,
'大专': 0.25,
'高中及以下': 0.20
}
# 城市房产基准价值（单位：万）
base_house_value = {
'一线城市': 500,
'二线城市': 300,
'三线城市': 150,
'县城': 80,
'农村': 30
}
# 基础计算
monthly_income = income_to_monthly[income]
monthly_cost = living_cost[current_location]
saving_rate = education_saving_rate[education]
working_years = max(0, age - 22) if age > 22 else 0
# 计算积累的现金资产
monthly_saving = (monthly_income - monthly_cost) * saving_rate
if monthly_saving < 0: # 如果收入不足以支付生活成本
monthly_saving = monthly_income * 0.1 # 假设至少储蓄10%
cash_asset = monthly_saving * 12 * working_years
# 房产资产（工作满5年且月收入大于生活成本2倍时考虑购房）
house_asset = 0
if working_years >= 5 and monthly_income > monthly_cost * 2:
house_value = base_house_value[current_location]
# 随机确定是否有房
# 工作年限越长，有房概率越大，最高80%
if np.random.random() < min(0.8, working_years/30):
house_asset = house_value * (1 + 0.03 * working_years) # 每年3%房价增值
# 投资资产（假设有一定比例的现金用于投资）
investment_ratio = min(0.4, working_years/20) # 工作年限越长，投资比例越大，最高40%
# 投资回报率-20%到40%
investment_return = cash_asset * investment_ratio * np.random.uniform(
-0.2, 0.4)
# 总资产 = 现金 + 房产 + 投资收益
total_asset = cash_asset + house_asset + investment_return
# 加入小幅随机波动（±10%）
total_asset *= np.random.uniform(0.9, 1.1)
# 返回资产范围
if total_asset < 10:
return '<10万'
elif total_asset < 50:
return '10-50万'
elif total_asset < 200:
return '50-200万'
elif total_asset < 500:
return '200-500万'
elif total_asset < 1000:
return '500-1000万'
else:
return '>1000万'文字转换成数字。具体映射表请看 mappings.json