Python實現8種常用抽樣方法
今天來和大家聊聊抽樣的幾種常用方法，以及在Python中是如何實現的。
抽樣是統計學、機器學習中非常重要，也是經常用到的方法，因為大多時候使用全量數據是不現實的，或者根本無法取到。所以我們需要抽樣，比如在推斷性統計中，我們會經常通過采樣的樣本數據來推斷估計總體的樣本。
上面所說的都是以概率為基礎的，實際上還有一類非概率的抽樣方法，因此總體上歸納為兩大種類：
概率抽樣：根據概率理論選擇樣本，每個樣本有相同的概率被選中。
非概率抽樣：根據非隨機的標準選擇樣本，并不是每個樣本都有機會被選中。
概率抽樣技術1.隨機抽樣(Random Sampling)這也是最簡單暴力的一種抽樣了，就是直接隨機抽取，不考慮任何因素，完全看概率。并且在隨機抽樣下，總體中的每條樣本被選中的概率相等。
比如，現有10000條樣本，且各自有序號對應的，假如抽樣數量為1000，那我就直接從1-10000的數字中隨機抽取1000個，被選中序號所對應的樣本就被選出來了。
在Python中，我們可以用random函數隨機生成數字。下面就是從100個人中隨機選出5個。
import randompopulation = 100data = range(population)print(random.sample(data,5))> 4, 19, 82, 45, 412.分層抽樣(Stratified Sampling)
分層抽樣其實也是隨機抽取，不過要加上一個前提條件了。在分層抽樣下，會根據一些共同屬性將帶抽樣樣本分組，然后從這些分組中單獨再隨機抽樣。
因此，可以說分層抽樣是更精細化的隨機抽樣，它要保持與總體群體中相同的比例。 比如，機器學習分類標簽中的類標簽0和1，比例為3:7，為保持原有比例，那就可以分層抽樣，按照每個分組單獨隨機抽樣。
Python中我們通過train_test_split設置stratify參數即可完成分層操作。
from sklearn.model_selection import train_test_splitstratified_sample, _ = train_test_split(population, test_size=0.9, stratify=population[[’label’]])print (stratified_sample)3.聚類抽樣(Cluster Sampling)
聚類抽樣，也叫整群抽樣。它的意思是，先將整個總體劃分為多個子群體，這些子群體中的每一個都具有與總體相似的特征。也就是說它不對個體進行抽樣，而是隨機選擇整個子群體。
用Python可以先給聚類的群體分配聚類ID，然后隨機抽取兩個子群體，再找到相對應的樣本值即可，如下。
import numpy as npclusters=5pop_size = 100sample_clusters=2# 間隔為 20, 從 1 到 5 依次分配集群100個樣本的聚類 ID，這一步已經假設聚類完成cluster_ids = np.repeat([range(1,clusters+1)], pop_size/clusters)# 隨機選出兩個聚類的 IDcluster_to_select = random.sample(set(cluster_ids), sample_clusters)# 提取聚類 ID 對應的樣本indexes = [i for i, x in enumerate(cluster_ids) if x in cluster_to_select]# 提取樣本序號對應的樣本值cluster_associated_elements = [el for idx, el in enumerate(range(1, 101)) if idx in indexes]print (cluster_associated_elements)4.系統抽樣(Systematic Sampling)
系統抽樣是以預定的規則間隔（基本上是固定的和周期性的間隔）從總體中抽樣。比如，每 9 個元素抽取一下。一般來說，這種抽樣方法往往比普通隨機抽樣方法更有效。
下圖是按順序對每 9 個元素進行一次采樣，然后重復下去。
用Python實現的話可以直接在循環體中設置step即可。
population = 100step = 5sample = [element for element in range(1, population, step)]print (sample)5.多級采樣(Multistage sampling)
在多階段采樣下，我們將多個采樣方法一個接一個地連接在一起。比如，在第一階段，可以使用聚類抽樣從總體中選擇集群，然后第二階段再進行隨機抽樣，從每個集群中選擇元素以形成最終集合。
Python代碼復用了上面聚類抽樣，只是在最后一步再進行隨機抽樣即可。
import numpy as npclusters=5pop_size = 100sample_clusters=2sample_size=5# 間隔為 20, 從 1 到 5 依次分配集群100個樣本的聚類 ID，這一步已經假設聚類完成cluster_ids = np.repeat([range(1,clusters+1)], pop_size/clusters)# 隨機選出兩個聚類的 IDcluster_to_select = random.sample(set(cluster_ids), sample_clusters)# 提取聚類 ID 對應的樣本indexes = [i for i, x in enumerate(cluster_ids) if x in cluster_to_select]# 提取樣本序號對應的樣本值cluster_associated_elements = [el for idx, el in enumerate(range(1, 101)) if idx in indexes]# 再從聚類樣本里隨機抽取樣本print (random.sample(cluster_associated_elements, sample_size))非概率抽樣技術
非概率抽樣，毫無疑問就是不考慮概率的方式了，很多情況下是有條件的選擇。因此，對于無隨機性我們是無法通過統計概率和編程來實現的。這里也介紹3種方法。
1.簡單采樣(convenience sampling)簡單采樣，其實就是研究人員只選擇最容易參與和最有機會參與研究的個體。比如下面的圖中，藍點是研究人員，橙色點則是藍色點附近最容易接近的人群。
自愿抽樣下，感興趣的人通常通過填寫某種調查表格形式自行參與的。所以，這種情況中，調查的研究人員是沒有權利選擇任何個體的，全憑群體的自愿報名。比如下圖中藍點是研究人員，橙色的是自愿同意參與研究的個體。
雪球抽樣是說，最終集合是通過其他參與者選擇的，即研究人員要求其他已知聯系人尋找愿意參與研究的人。比如下圖中藍點是研究人員，橙色的是已知聯系人，黃色是是橙色點周圍的其它聯系人。
以上就是8種常用抽樣方法，平時工作中比較常用的還是概率類抽樣方法，因為沒有隨機性我們是無法通過統計學和編程完成自動化操作的。
比如在信貸的風控樣本設計時，就需要從樣本窗口通過概率進行抽樣。因為采樣的質量基本就決定了你模型的上限了，所以在抽樣時會考慮很多問題，如樣本數量、是否有顯著性、樣本穿越等等。在這時，一個良好的抽樣方法是至關重要的。
到此這篇關于Python實現8種常用抽樣方法的文章就介紹到這了,更多相關Python 抽樣方法內容請搜索好吧啦網以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持好吧啦網！
相關文章：
網公網安備