本文介绍一个高效、可复用的 Python 函数，用于生成 n 行 m 列的二值矩阵，精确控制其中值为 1 的元素比例（即密度 d），支持整数密度（绝对个数）与浮点密度（相对比例）两种语义。
本文介绍一个高效、可复用的 python 函数，用于生成 n 行 m 列的二值矩阵，精确控制其中值为 1 的元素比例（即密度 d），支持整数密度（绝对个数）与浮点密度（绝对个数）两种语义。
在科学计算、模拟实验或机器学习数据生成中，常需构造具有特定稀疏度的二值矩阵。原始代码存在逻辑冗余（如嵌套循环误用、未使用密度参数）、效率低下（重复采样可能冲突）且语义模糊（d 是比例还是总数？）。以下提供健壮、清晰、可扩展的实现方案。
✅ 推荐实现（支持比例与整数密度）
import random
def create_matrix(n, m, d):
"""
创建 n×m 的 0-1 矩阵，其中 1 的密度为 d。
参数:
n (int): 行数
m (int): 列数
d (float or int): 密度；若 0 ≤ d ≤ 1 → 视为比例（如 d=0.3 表示 30% 为 1）；
若 d > 1 → 视为期望的 1 的总个数（向下取整，不超过 n*m）
返回:
list[list[int]]: n 行 m 列的二维列表，仅含 0 和 1
"""
total_cells = n * m
# 解析密度：统一转换为整数个数 k
if isinstance(d, float) and 0.0 <= d <= 1.0:
k = int(round(d * total_cells)) # 四舍五入确保更接近目标比例
elif isinstance(d, int) and 0 <= d <= total_cells:
k = d
else:
raise ValueError(f"d must be a float in [0,1] or an integer in [0, {total_cells}]")
# 初始化全零矩阵
matrix = [[0] * m for _ in range(n)]
# 高效无冲突采样：随机选择 k 个不重复位置置 1
positions = random.sample(range(total_cells), k)
for idx in positions:
row, col = divmod(idx, m) # 将一维索引映射为二维坐标
matrix[row][col] = 1
return matrix✅ 使用示例
# 示例1：4×5 矩阵，30% 为 1 → 期望约 6 个 1
mat1 = create_matrix(4, 5, 0.3)
print("Density 0.3:", mat1)
# 输出类似：[[0, 1, 0, 0, 1], [0, 0, 1, 0, 0], [1, 0, 0, 0, 0], [0, 0, 0, 1, 0]]
# 示例2：指定恰好 7 个 1
mat2 = create_matrix(4, 5, 7)
print("Exactly 7 ones:", mat2)
# 示例3：全零或全一边界情况
print("All zeros:", create_matrix(3, 3, 0)) # [[0,0,0],[0,0,0],[0,0,0]]
print("All ones:", create_matrix(2, 4, 1.0)) # [[1,1,1,1],[1,1,1,1]]⚠️ 关键注意事项
- 避免重复采样：原答案中 while + if/else 循环在高密度时效率骤降（概率性重试），而 random.sample() 保证 O(k) 时间复杂度且无冲突；
- 密度语义明确：本实现兼容比例（0.0–1.0）和绝对数量（int），并做严格校验，防止越界；
- 可重现性：如需结果可复现，请在调用前设置 random.seed(42)；
- 内存友好：直接构建列表，无需中间数组或 NumPy 依赖（若需高性能大规模矩阵，可替换为 numpy.random.choice 配合 np.zeros(...).ravel()）。
该函数简洁、鲁棒、符合直觉，可直接集成至数据预处理流水线或仿真系统中。
