怎么在python中實(shí)現(xiàn)數(shù)據(jù)抽樣解析

本篇文章給大家分享的是有關(guān)怎么在python中實(shí)現(xiàn)數(shù)據(jù)抽樣解析，小編覺(jué)得挺實(shí)用的，因此分享給大家學(xué)習(xí)，希望大家閱讀完這篇文章后可以有所收獲，話不多說(shuō)，跟著小編一起來(lái)看看吧。

python可以做什么

Python是一種編程語(yǔ)言，內(nèi)置了許多有效的工具，Python幾乎無(wú)所不能，該語(yǔ)言通俗易懂、容易入門、功能強(qiáng)大，在許多領(lǐng)域中都有廣泛的應(yīng)用，例如最熱門的大數(shù)據(jù)分析，人工智能，Web開發(fā)等。

何為數(shù)據(jù)抽樣：

抽樣是數(shù)據(jù)處理的一種基本方法，常常伴隨著計(jì)算資源不足、獲取全部數(shù)據(jù)困難、時(shí)效性要求等情況使用。

抽樣方法：

一般有四種方法：

隨機(jī)抽樣 直接從整體數(shù)據(jù)中等概率抽取n個(gè)樣本。這種方法優(yōu)勢(shì)是，簡(jiǎn)單、好操作、適用于分布均勻的場(chǎng)景；缺點(diǎn)是總體大時(shí)無(wú)法一一編號(hào)

系統(tǒng)抽樣 又稱機(jī)械、等距抽樣，將總體中個(gè)體按順序進(jìn)行編號(hào)，然后計(jì)算出間隔，再按照抽樣間隔抽取個(gè)體。優(yōu)勢(shì),易于理解、簡(jiǎn)便易行。缺點(diǎn)是，如有明顯分布規(guī)律時(shí)容易產(chǎn)生偏差。

群體抽樣 總體分群，在隨機(jī)抽取幾個(gè)小群代表總體。優(yōu)點(diǎn)是簡(jiǎn)單易行、便與組織；缺點(diǎn)是群體劃分容易造成誤差

分層抽樣 先按照觀察指標(biāo)影響較大的某一種特征，將總體分若干個(gè)類別，再?gòu)拿恳粚与S機(jī)抽取一定數(shù)量的單位合并成總體。優(yōu)點(diǎn)樣本代表性好，少誤差

以上四種基本抽樣方法都屬單階段抽樣，實(shí)際應(yīng)用中常根據(jù)實(shí)際情況將整個(gè)抽樣過(guò)程分為若干階段來(lái)進(jìn)行，稱為多階段抽樣。

各種抽樣方法的抽樣誤差一般是：整群抽樣≥單純隨機(jī)抽樣≥系統(tǒng)抽樣≥分層抽樣

python代碼實(shí)現(xiàn)

import random
import numpy as np
import pandas as pd

# 導(dǎo)入數(shù)據(jù)
df = pd.read_csv('https://raw.githubusercontent.com/ffzs/dataset/master/glass.csv')

df.index.size
# 214

##########隨機(jī)抽樣##########
#
# 使用pandas
# DataFrame.sample(n=None, frac=None, replace=False, weights=None, random_state=None, axis=None)
# n是要抽取的行數(shù)。（例如n=20000時(shí)，抽取其中的2W行）
# frac是抽取的比列。（有一些時(shí)候，我們并對(duì)具體抽取的行數(shù)不關(guān)系，我們想抽取其中的百分比，這個(gè)時(shí)候就可以選擇使用frac，例如frac=0.8，就是抽取其中80%）
# replace：是否為有放回抽樣，取replace=True時(shí)為有放回抽樣。
# weights這個(gè)是每個(gè)樣本的權(quán)重，具體可以看官方文檔說(shuō)明。
# random_state這個(gè)在之前的文章已經(jīng)介紹過(guò)了。
# axis是選擇抽取數(shù)據(jù)的行還是列。axis=0的時(shí)是抽取行，axis=1時(shí)是抽取列（也就是說(shuō)axis=1時(shí)，在列中隨機(jī)抽取n列，在axis=0時(shí)，在行中隨機(jī)抽取n行）

df_0 = df.sample(n=20, replace=True)
df_0.index.size
# 20

# 數(shù)據(jù)準(zhǔn)備
data = df.values
# 使用random
data_sample = random.sample(list(data), 20)
len(data_sample)
# 20

##########等距抽樣##########
# 指定抽樣數(shù)量
sample_count = 50
# 獲取最大樣本量
record_count = data.shape[0]
# 抽樣間距
width = record_count//sample_count
data_sample = []
i = 0
# 本量小于等于指定抽樣數(shù)量并且矩陣索引在有效范圍內(nèi)是
while len(data_sample) <= sample_count and i * width <= record_count -1:
  data_sample.append(data[i*width])
  i += 1
len(data_sample)
# 51

##########分層抽樣##########
# 數(shù)據(jù)只是隨便找的分層僅限于演示
# 定義每個(gè)分層的抽樣數(shù)量
each_sample_count = 6
# 定義分層值域
label_data_unique = np.unique(data[:, -1])
# 定義一些數(shù)據(jù)
sample_list, sample_data, sample_dict = [], [], {}
# 遍歷每個(gè)分層標(biāo)簽
for label_data in label_data_unique:
  for data_tmp in data: # 讀取每條數(shù)據(jù)
    if data_tmp[-1] == label_data:
      sample_list.append(data_tmp)
  # 對(duì)每層數(shù)據(jù)都數(shù)據(jù)抽樣
  each_sample_data = random.sample(sample_list, each_sample_count)
  sample_data.extend(each_sample_data)
  sample_dict[label_data] = len(each_sample_data)
sample_dict
# {1.0: 6, 2.0: 6, 3.0: 6, 5.0: 6, 6.0: 6, 7.0: 6}

##########整群抽樣##########
# 數(shù)據(jù)分群僅限于演示，不符合實(shí)際情況
# 定義整群的標(biāo)簽
label_data_unique = np.unique(data[:, -1])
# 隨機(jī)抽取2個(gè)群
sample_label = random.sample(list(label_data_unique), 2)
# 定義空列表
sample_data = []
# 遍歷每個(gè)整群標(biāo)簽值域
for each_label in sample_label:
  for data_tmp in data:
    if data_tmp[-1] == each_label:
      sample_data.append(data_tmp)
len(sample_data)
# 83

需要注意的問(wèn)題

數(shù)據(jù)抽樣過(guò)程中要注意一些問(wèn)題

數(shù)據(jù)時(shí)效性 不能用過(guò)時(shí)的數(shù)據(jù)來(lái)分析現(xiàn)在的運(yùn)營(yíng)狀態(tài)

關(guān)鍵因素?cái)?shù)據(jù) 整體數(shù)據(jù)的關(guān)鍵性數(shù)據(jù)必須要在模型中，如雙十一帶來(lái)的銷售增長(zhǎng)

業(yè)務(wù)隨機(jī)性 抽樣數(shù)據(jù)要使各個(gè)場(chǎng)景的數(shù)據(jù)分布均衡

數(shù)據(jù)來(lái)源多樣性 數(shù)據(jù)覆蓋要全面

抽樣數(shù)據(jù)量問(wèn)題

時(shí)間分布 能包含業(yè)務(wù)周期。月銷售預(yù)測(cè)，至少包含12個(gè)月數(shù)據(jù)；時(shí)間還要考慮季節(jié)、節(jié)假日、特定促銷日等周期性。

做預(yù)測(cè)分析 考慮特征數(shù)據(jù)和特征值域的分布，通常數(shù)據(jù)記錄要同時(shí)是特征數(shù)量和特征值域的100倍以上。例如數(shù)據(jù)集有5個(gè)特征值，每個(gè)特征有2個(gè)值域，那么數(shù)據(jù)記錄數(shù)需要至少1000（10052）條以上

做關(guān)聯(lián)規(guī)則分析 根據(jù)關(guān)聯(lián)前后項(xiàng)數(shù)量（每個(gè)前項(xiàng)或后項(xiàng)可包含多個(gè)要關(guān)聯(lián)的主體，例如品牌+商品+價(jià)格關(guān)聯(lián)），每個(gè)主體需要至少1000條數(shù)據(jù)。例如只做單品銷售關(guān)聯(lián)，那么單品的銷售記錄需要在1000條以上；如果要同時(shí)做單品+品牌的關(guān)聯(lián)，那么需要至少2000條數(shù)據(jù)。

異常檢測(cè) 無(wú)論是監(jiān)督室還是非監(jiān)督式建模，對(duì)于異常數(shù)據(jù)本來(lái)就是小概率分布的，因此異常數(shù)據(jù)記錄一般越多越好。

以上就是怎么在python中實(shí)現(xiàn)數(shù)據(jù)抽樣解析，小編相信有部分知識(shí)點(diǎn)可能是我們?nèi)粘９ぷ鲿?huì)見到或用到的。希望你能通過(guò)這篇文章學(xué)到更多知識(shí)。更多詳情敬請(qǐng)關(guān)注億速云行業(yè)資訊頻道。