Skip to content
TheChatArchiveThe Chat Archive
o3-mini· OpenAIHugging Face LMArena Human Preference 140K

生成高质量调查数据

From a Chatbot Arena battleThe same person sent this prompt to two anonymous models at once. Compare it with DeepSeekdeepseek-v3-0324’s answer.
  1. User

    生成高质量调查数据

  2. Assistant

    下面提供一个 Python 脚本示例,该脚本利用潜变量模拟思路生成高质量调查数据,然后输出为 CSV 文件。生成的数据在 1–5 的李克特量表上具有一定内在相关性,即各问项值来源于其对应潜变量的“真实水平”加上随机噪音,最后再映射到 1~5 的整数值。

    你可以根据需要调整样本数量、噪音水平等参数。


    import numpy as np
    import pandas as pd
    
    np.random.seed(42)  # 保证可重复性
    
    # 样本数量
    n_samples = 300
    
    # 基本信息选项
    company_types = [
        "货主/生产制造企业",
        "物流服务提供商",
        "运输企业",
        "港口/场站运营商",
        "政府/行业协会",
        "其他"
    ]
    experience_options = ["1年以下", "1-3年", "3-5年", "5-10年", "10年以上"]
    company_sizes = ["50人以下", "50-200人", "201-500人", "500人以上"]
    
    # 区域 dummy 变量:每个样本随机选取1-3个区域(也可以固定概率)
    region_names = ["Region_Domestic", "Region_Asia", "Region_Europe", "Region_NA", "Region_Other"]
    
    # 潜变量名称及其对应问项数量
    latent_vars = {
        "IL": 4,      # 基础设施水平
        "ITA": 4,     # 信息技术应用
        "PRE": 4,     # 政策法规环境
        "OCC": 4,     # 运营协调能力
        "MSL": 4,     # 市场服务水平
        "MTE": 5      # 多式联运效率(因变量)
    }
    
    # 平均数和标准差参数(可根据经验调整,使总体均值在中间3左右)
    latent_mean = 3.0
    latent_std = 0.5
    
    # 误差项噪声(较小,不宜太大,以保持内在一致性)
    noise_std = 0.3
    
    # 定义一个函数:生成单个问项的评分,值为1-5的整数
    def generate_item_score(latent_value, noise_std=noise_std):
        score = latent_value + np.random.normal(0, noise_std)
        # 限制在 1 到 5 之间,并四舍五入成为整数
        score = int(np.round(np.clip(score, 1, 5)))
        return score
    
    # 创建空列表存放所有样本数据(每一行为一个字典记录)
    data = []
    
    for i in range(1, n_samples+1):
        sample = {}
        # 受访者基本信息
        sample["Respondent_ID"] = i
        sample["Company_Type"] = np.random.choice(company_types)
        sample["Experience_Years"] = np.random.choice(experience_options)
        sample["Company_Size"] = np.random.choice(company_sizes)
        
        # 随机生成区域,多选,每个区域独立0/1判断(概率可设为0.5或调整)
        for region in region_names:
            sample[region] = np.random.choice([0, 1], p=[0.4, 0.6])  # 选中概率 60%
        
        # 为每个潜变量,抽取一个“真实水平”
        latent_scores = {}
        for lv in latent_vars.keys():
            latent_scores[lv] = np.random.normal(latent_mean, latent_std)
        
        # 根据潜变量生成观测变量(问项),字段命名格式为: {潜变量}{题项编号}
        for lv, n_items in latent_vars.items():
            for j in range(1, n_items+1):
                col_name = f"{lv}{j}"
                item_score = generate_item_score(latent_scores[lv])
                sample[col_name] = item_score
                
        data.append(sample)
    
    # 构造 DataFrame
    df = pd.DataFrame(data)
    
    # 调整基本信息列与问项列顺序,方便后续分析
    cols_order = ["Respondent_ID", "Company_Type", "Experience_Years", "Company_Size"] + region_names
    # 按照潜变量顺序添加问项列
    for lv in ["IL", "ITA", "PRE", "OCC", "MSL", "MTE"]:
        n_items = latent_vars[lv]
        for j in range(1, n_items+1):
            cols_order.append(f"{lv}{j}")
    
    df = df[cols_order]
    
    # 保存为 CSV 文件
    output_filename = "simulated_multimodal_survey.csv"
    df.to_csv(output_filename, index=False, encoding="utf-8-sig")
    
    print(f"生成样本数据({n_samples}条)并保存至 {output_filename}")
    print(df.head())
    

    说明

    1. 基本信息及区域选择:

      • 随机选取企业类型、从业年限、企业规模。
      • 对区域变量,每个区域独立产生一个 0/1 值,选中几率可依据实际情况调整。
    2. 潜变量与观测变量:

      • 为每个潜变量(例如基础设施水平 IL)生成一个总体“真实水平”,再利用此值加上小幅噪音得到该潜变量下各问项的回答。
      • 最后利用 np.clip 保证数据落在 1~5 之间,并用 round 转为整数。
    3. 输出 CSV 文件:

      • 将生成的 DataFrame 按照列顺序输出为 CSV 文件,便于后续利用 Python 进行数据读取与结构方程模型分析。

    运行上述脚本后,你将得到一个名为 simulated_multimodal_survey.csv 的数据文件,可直接在 Python 中使用 pd.read_csv() 加载并进行 SEM 分析。

Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.