numpy.random.multivariate_normal 是生成多元正态样本的唯一推荐内置方法，需传入均值向量和对称半正定协方差矩阵，返回 (n_samples, n_features) 数组；构造 cov 时应避免手动拼接，推荐用 np.cov 或 Cholesky 分解提升性能与稳定性。
用 numpy.random.multivariate_normal 生成样本最直接
NumPy 提供了原生支持，numpy.random.multivariate_normal 是唯一推荐的内置方法。它接受均值向量 mean 和协方差矩阵 cov，返回形状为 (n_samples, n_features) 的数组。
常见错误是传入非正定协方差矩阵——比如秩不足、含负特征值，或对角线非正。此时会报 LinAlgError: The covariance matrix must be symmetric and positive-semidefinite。
实操建议：
-
cov必须是二维方阵，且cov.shape[0] == cov.shape[1] == len(mean) - 若只有标准差和相关系数，别手算协方差；先构造相关矩阵
R，再用np.diag(stds) @ R @ np.diag(stds)得到cov - 小样本（如
n_samples=1）时，返回是一维数组；加size=1仍得一维，要强制二维可用.reshape(1, -1)
协方差矩阵必须对称且半正定，否则会失败
不是所有看起来像协方差的矩阵都能用。例如，手动拼出的 [[1, 2], [2, 1]] 行列式为 −3，特征值一正一负，不满足半正定，调用就会崩溃。
立即学习“Python免费学习笔记（深入）”；
安全做法：
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
- 用
np.cov(data.T)从已有数据估计（注意转置），它默认返回对称半正定结果 - 构造时优先用
np.outer(x, x)或np.dot(A, A.T)形式，天然保证半正定 - 怀疑有问题？加校验：
np.allclose(cov, cov.T) and np.all(np.linalg.eigvalsh(cov) >= -1e-10)
性能敏感时避免在循环里反复调用
如果需要按批次生成不同参数的样本（比如 MCMC 中每步换一个 cov），multivariate_normal 每次都做 Cholesky 分解，开销不小。
更高效的做法：
- 预先对每个协方差矩阵做一次
np.linalg.cholesky(cov)，缓存L - 用
np.random.normal(size=(n, d)) @ L.T + mean手动变换——这省去了重复分解 - 注意：Cholesky 要求严格正定；若协方差奇异（如某维度恒定），改用
np.linalg.svd或np.linalg.eigh分解
与 SciPy 的 multivariate_normal 不要混用
SciPy 的 scipy.stats.multivariate_normal 是分布对象，侧重概率密度计算和冻结参数，rvs() 方法底层仍调 NumPy，但多一层封装和校验，慢约 2–3 倍。
除非你需要同时算 pdf 或 logpdf，否则纯采样场景下，坚持用 NumPy 原生函数更轻量、更可控。
一个容易被忽略的细节：NumPy 默认使用全局随机数状态，而 SciPy 的 rvs 支持传入 random_state 参数。如果要做可复现的并行采样，NumPy 推荐显式创建 Generator 实例，比如 rng = np.random.default_rng(seed)，再调用 rng.multivariate_normal(...)。
