有趣的问题!根据斯科特的建议，我很快地试了一下。
输入：

import random
import pandas as pd
import numpy as np

# fixing the random seed
random.seed(a=1, version=2)
# formating floats
pd.options.display.float_format = '{:.1f}'.format

# given inputs
count = 5388
mean = 4173
median = 4072

lower_percentile = 10
lower_percentile_value = 2720

upper_percentile = 90
upper_percentile_value = 5676

max_value = 6325
min_value = 2101

职能部门：

def generate_dataset(count, mean, median, lower_percentile, upper_percentile,
    lower_percentile_value, upper_percentile_value,
    min_value, max_value
    ):
        
    # Calculate the number of values that fall within each percentile
    p_1_size = int(float(lower_percentile) * float(count) / 100)
    p_4_size = int(count - (float(upper_percentile) * float(count) / 100))
    p_2_size = int((count / 2) - p_1_size)
    p_3_size = int((count / 2) - p_4_size)
    
    # can be used to adjust the mean
    mean_adjuster = 5790

    # randomly pick values of right size from a range 
    p_1 = random.choices(range(min_value, lower_percentile_value), k=p_1_size)
    p_2 = random.choices(range(lower_percentile_value, median), k=p_2_size)
    p_3 = random.choices(range(median, mean_adjuster), k=p_3_size)
    p_4 = random.choices(range(upper_percentile_value, max_value), k=p_4_size)
    
    return p_1 + p_2 + p_3 + p_4
    
dataset = generate_dataset(
    count, mean, median, lower_percentile, upper_percentile,
    lower_percentile_value, upper_percentile_value, min_value, max_value
    )

对比：

# converting into DataFrame
df = pd.DataFrame({"x": dataset})

new_count = len(df)
new_mean = np.mean(df.x)
new_median = np.quantile(df.x, 0.5)
new_lower_percentile = np.quantile(df.x, lower_percentile/100)
new_upper_percentile = np.quantile(df.x, upper_percentile/100)

compare = pd.DataFrame(
    {
        "value": ["count", "mean", "median", "low_p", "high_p"],
        "original": [count, mean, median, lower_percentile_value, upper_percentile_value],
        "new":[new_count, new_mean, new_median, new_lower_percentile, new_upper_percentile]
    }
)

print(compare)

• • 输出：**

value  original    new
0   count      5388 5388.0
1    mean      4173 4173.4
2  median      4072 4072.5
3   low_p      2720 2720.4
4  high_p      5676 5743.0

当所有的值都是整数而不是浮点数时，让这些值完全相等有点棘手。
您可以添加另一个变量来控制两个数字的平均值，或者更改随机种子，看看是否可以获得更接近的值。或者，您可以编写一个函数来更改种子，直到值相等。（可能需要几分钟或几个世纪：）
干杯!

中位数固定了第5388/2 ~ 2694和5388/2 + 1 ~ 2695个值（中间值）。因此，我们将它们都设为4072。第1个和第9个十分位数固定5388/10 ~ 538.8和95388/10 ~ 4849.2的值。十分位数有多种流行的公式，但将第538和第539个值都设置为2720是安全的。同样，我们可以通过将第4849和第4850个值固定为5676来获得正确的第9个十分位数。平均值提供的自由度少了一个，但计算平均值涉及整个数据集的实际值，因此我们将推迟到以后。首先，我们需要做的是使537个值小于2719。（几乎）如何设置无所谓，但最好将它们设置得非常低（将在后面解释）。然后，我们需要拨打2693-539（固定的第一个十分位数和固定的中值之间的值的数量）值在2720之间（第一个十分位数）和4072（中位数）。然后在4072和5676之间创建4848-2695个值。现在我们需要5388-4850（值的总数减去第9个十分位数和更低值）值大于5676，但请记住，我们还需要设置平均值。实际上，有无数种方法可以实现这一点，但其中一种方法是简单地使第9个十分位数以上的所有值相同。为此，我们可以计算较低的4850个值的平均值（我们已经有了），并意识到（5388 - 4850） X + 4850 * M = 4173，其中M是较低的4850个值的平均值。求解X以获得所需的值。由于X * 必须 * 大于5676，如果将第一个十分位数以下的值设置为较小值，则会很有帮助，因为这会给我们留出一些余地。另一种方法是为除一个值之外的所有值选择5676以上的随机数，然后选择最后一个值，以固定平均值（同样，明智的做法是选取不超过5676太多的随机值，因为可以使最后剩余的值任意大，以将平均值拖到正确的值）。
在任何情况下，在numpy中，您只需要生成一堆随机数。np.random.randint应该可以完成这项工作。