本文介绍一种简洁、可扩展的 python 方法，利用 `itertools.product` 和命名元组，自动为任意数量的模型输入参数生成单变量 p10/p90 敏感性分析配置，避免硬编码、提升复用性与可维护性。
在开展模型敏感性分析时，一个常见且科学的做法是：每次仅变动一个输入变量（如取其 P10 或 P90 值），其余变量固定为基准值（P50）。这种“单因子扰动”策略能清晰识别各参数对输出的影响程度。但当输入维度增加（例如从 3 个变量扩展到 20+ 个），手动枚举所有 2 × n 种组合（n 为参数个数）极易出错且不可持续。
幸运的是，Python 标准库中的 itertools.product 可以优雅解决这一问题——但需注意：我们不想要全排列（如 a.p10 + b.p10 + c.p10），而是需要逐变量替换的“单轴扰动”组合。因此，核心思路是：
- 将每个参数的三个水平（P10、P50、P90）组织为独立列表；
- 对每个参数索引 i，构造一个“扰动模板”：第 i 位取 [p10, p90]，其余位置固定为 p50；
- 使用 itertools.product（或更直接地，列表推导式）生成该模板下的所有单变量扰动组合。
以下是完整、健壮、可扩展的实现方案：
from collections import namedtuple
from itertools import product
# 定义敏感性用例结构
Sensitivity_Case = namedtuple('Sensitivity_Case', ['a', 'b', 'c'])
# 基准（P50）与边界（P10/P90）案例
p50 = Sensitivity_Case(5, 50, 'medium')
p10 = Sensitivity_Case(1, 5, 'low')
p90 = Sensitivity_Case(10, 500, 'high')
# 按字段名提取各参数的 P10/P50/P90 值 → 构建列向量
fields = ['a', 'b', 'c']
levels = {
'p10': [getattr(p10, f) for f in fields], # [1, 5, 'low']
'p50': [getattr(p50, f) for f in fields], # [5, 50, 'medium']
'p90': [getattr(p90, f) for f in fields] # [10, 500, 'high']
}
# ✅ 生成所有单变量扰动配置（2 × len(fields) 个）
configs = []
for i, field in enumerate(fields):
# 对第 i 个字段，使用 [p10, p90]；其余字段恒用 p50
for perturb_level in ['p10', 'p90']:
config = levels['p50'].copy() # 初始化为全 P50
config[i] = levels[perturb_level][i] # 替换第 i 位
configs.append(config)
# 输出验证
for idx, cfg in enumerate(configs, 1):
print(f"config{idx} = {cfg}")输出结果：
macOS UI 自动化技能包 —— 用 Python 控制你的 Mac
下载
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
立即学习“Python免费学习笔记（深入）”；
config1 = [1, 50, 'medium'] # a.p10, b.p50, c.p50 config2 = [10, 50, 'medium'] # a.p90, b.p50, c.p50 config3 = [5, 5, 'medium'] # a.p50, b.p10, c.p50 config4 = [5, 500, 'medium'] # a.p50, b.p90, c.p50 config5 = [5, 50, 'low'] # a.p50, b.p50, c.p10 config6 = [5, 50, 'high'] # a.p50, b.p50, c.p90
✅ 关键优势：
- 完全自适应：只需修改 fields 列表和 p10/p50/p90 实例，即可支持任意数量参数（如 100 个）；
- 零冗余：不生成无效组合（如全 P10），严格遵循单变量敏感性原则；
- 类型安全 & 可读性强：基于命名元组，字段语义清晰，易于调试与协作；
- 无缝集成模型调用：每个 config 是标准 Python 列表，可直接解包传入 model.run(*config) 或作为字典键构建参数映射。
⚠️ 注意事项：
- 若后续需支持更多分位点（如 P5/P25/P75/P95），只需扩展 perturb_level 循环（如 ['p5', 'p10', 'p90', 'p95']），逻辑不变；
- 对超大规模参数（>1000），建议将 configs 改为生成器（yield config）以节省内存；
- 生产环境中，推荐将配置生成封装为类（如 SensitivityConfigGenerator），并加入参数校验（如检查 p10 ≤ p50 ≤ p90 数值合理性）。
此方法摒弃了易错的手动枚举与低效的嵌套循环，以数据驱动 + 函数式思维实现高内聚、低耦合的敏感性分析配置管理——真正让代码服务于建模逻辑，而非成为负担。
