作者 | 天元浪子
来源 | CSDN（ID：CSDNnews）

先声明一下：本文纯属七夕应景娱乐之作。如果有人因为遵循本模型提出的择偶理论而导致失恋或单身，除了同情，我不能补偿更多。

在中国的传统节日里，七夕可能是起源最神秘、内涵最深刻的一个了。当然，这不是本文的重点，我们的核心问题是：在七夕这个特有纪念意义的日子，你真的想好了要向TA表白吗？TA 真的是你唯一正确的选择吗？这个婚介模型，也许对你有一些启发。

我的婚介所生意兴隆，无数想找到理想伴侣的单身人士都来光顾。根据颜值、人品、能力、财富等因素，我给每位客户确定了一个素质指数（Quality Index），简写为 qidx。统计发现，qidx 呈现均值 8.0、标准差 0.5 正态分布。

下面是1万客户的 qidx 统计分布图，可以看出绝大多数单身人士的 qidx 位于 7.0~9.0 之间，评价较为负面的和非常优秀的，都属于少数派。

import numpy as np
import matplotlib.pyplot as pltsingles = np.random.normal(loc=8.0, scale=0.5, size=10000)
plt.hist(singles, bins=8, histtype='step')
plt.show()

一般情况下，我的客户缴费 1 次，将获得有 10 次选择机会。我向客户推荐目标的策略基于“门当户对”，总是选择和客户的 qidx 相适应的异性，具体说就是以客户的 qidx 为均值，以 0.1 的方差，按照正态分布随机生成。

通常，客户有两种方式从我为他们推荐的目标中做出选择。第一种是基于传统的择偶观念，具体规则如下：

1. 有 10% 的客户会对当前的推荐目标一见钟情，不在意双方的 qid 是否匹配。

2. 如果当前推荐目标的 qid 比客户高，但不超过 0.2，客户选择当前推荐目标的概率，会随剩余选择机会的减少而增加，大约从 0.35 升至 0.8。

3. 如果当前推荐目标的 qid 比客户高 0.2 以上，客户选择当前推荐目标的概率，会随剩余选择机会的减少而增加，大约从 0.55 升至 1.0。

4. 如果当前推荐目标的 qid 比客户低，但不超过 0.2，客户选择当前推荐目标的概率，会随剩余选择机会的减少而增加，大约从 0.25 升至 0.7。

5. 如果当前推荐目标的 qid 比客户低 0.2 以上，求偶者选择当前目标的概率，会随剩余选择机会的减少而增加，大约从 0 升至 0.18。

第二种匹配方式则是基于“麦穗理论”，听起来很高大上。这里省略了关于麦穗理论的讲解，感兴趣的同学可以自行检索。具体说，就是客户在前 4 次的推荐中，不做出选择，只记下其中的最高的 qidx；从第 5 次开始，只要遇到大于或等于前 4 次最高 qidx 的推荐目标，就做出选择。

下面，我分别用两种匹配方式为 1 万名顾客选择配偶，结果会怎样呢？

# -*- encoding: utf-8 -*-import numpy as npclass Single:def __init__(self, qidx, times):self.times = times # 婚介所提供的匹配次数self.counter = 0 # 当前匹配次数self.qidx = qidx # 客户的qidxself.spouse = None # 匹配成功的配偶的qidxself.histroy = list() # 基于麦穗理论的前times/e次的推荐对象的qidxdef math_classical(self, spouse):self.counter += 1if np.random.random() < 0.1:self.spouse = spouseif spouse - self.qidx >= 0.2:if np.random.random() < 1-0.05*(10-self.counter):self.spouse = spouseelif spouse - self.qidx > 0:if np.random.random() < 0.8-0.05*(10-self.counter):self.spouse = spouseelif self.qidx - spouse >= 0.2:if np.random.random() < 0.18-0.02*(10-self.counter):self.spouse = spouseelif self.qidx - spouse >= 0:if np.random.random() < 0.7-0.05*(10-self.counter):self.spouse = spousedef match_technical(self, spouse):self.counter += 1if self.counter < self.times/np.e:self.histroy.append(spouse)elif spouse >= max(self.histroy):self.spouse = spousedef main(math_mode, total=10000, times=10):# 生成总数为total的客户，其qids有正态随机函数生成singles = [Single(np.random.normal(loc=8.0, scale=0.5), times) for i in range(total)]for p in singles:for i in range(10):if p.counter < 10 and not p.spouse:spouse = np.random.normal(loc=p.qidx, scale=0.1)getattr(p, math_mode)(spouse)matched = np.array([(p.qidx, p.spouse) for p in singles if p.spouse])diff = matched[:,0] - matched[:,1]print('----------------------------------')print('成功匹配%d人，成功率%0.2f%%'%(matched.shape[0], matched.shape[0]*100/total))print('客户qidx均值%0.2f，配偶均值%0.2f'%(np.sum(matched[:,0])/matched.shape[0], np.sum(matched[:,1])/matched.shape[0]))print('匹配方差%0.2f，匹配标准差%0.2f'%(diff.var(), diff.std()))print()if __name__ == '__main__':print('基于传统方式择偶的统计结果')main('math_classical')print('基于麦穗理论择偶的统计结果')main('match_technical')

比较两种方案的匹配成功率、匹配成功的客户的平均 qids、匹配成功的客户配偶的平均 qids、客户和配偶的 qids 的方差等，你会发现，这个结果真的有点意思。

基于传统方式择偶的统计结果
----------------------------------
成功匹配10000人，成功率100.00%
客户qidx均值8.00，配偶均值8.02
匹配方差0.01，匹配标准差0.10基于麦穗理论择偶的统计结果
----------------------------------
成功匹配7138人，成功率71.38%
客户qidx均值8.00，配偶均值8.11
匹配方差0.00，匹配标准差0.07

结论：

1. 基于传统方式的择偶，成功率更高（100% VS 71.38%）；

2. 基于麦穗理论择偶，配偶素质指数更高（8.11 VS 8.02）；

3. 基于麦穗理论择偶，双方qids差的标准差更小（0.07 VS 0.10），这意味着双方匹配更好。

声明：本文为 CSDN 博主「天元浪子」的原创稿件，版权归作者所有。
原文地址：https://blog.csdn.net/xufive/article/details/108214016

更多精彩推荐

• 鸿蒙加海思，麒麟加龙芯，组合拳能否渡劫“生态”危机

• 用 Python 详解《英雄联盟》游戏取胜的重要因素！

• 万字长文总结机器学习的模型评估与调参 | 附代码下载

• “Talk is cheap, show me the code”你一行代码有多少漏洞？

• 科普 | 定义 Eth2.0 中的验证者质量