python数据预处理 :数据抽样解析


Posted in Python onFebruary 24, 2020

何为数据抽样:

抽样是数据处理的一种基本方法,常常伴随着计算资源不足、获取全部数据困难、时效性要求等情况使用。

抽样方法:

一般有四种方法:

随机抽样 直接从整体数据中等概率抽取n个样本。这种方法优势是,简单、好操作、适用于分布均匀的场景;缺点是总体大时无法一一编号

系统抽样 又称机械、等距抽样,将总体中个体按顺序进行编号,然后计算出间隔,再按照抽样间隔抽取个体。优势,易于理解、简便易行。缺点是,如有明显分布规律时容易产生偏差。

群体抽样 总体分群,在随机抽取几个小群代表总体。优点是简单易行、便与组织;缺点是群体划分容易造成误差

分层抽样 先按照观察指标影响较大的某一种特征,将总体分若干个类别,再从每一层随机抽取一定数量的单位合并成总体。优点样本代表性好,少误差

以上四种基本抽样方法都属单阶段抽样,实际应用中常根据实际情况将整个抽样过程分为若干阶段来进行,称为多阶段抽样。

各种抽样方法的抽样误差一般是:整群抽样≥单纯随机抽样≥系统抽样≥分层抽样

python代码实现

import random
import numpy as np
import pandas as pd

# 导入数据
df = pd.read_csv('https://raw.githubusercontent.com/ffzs/dataset/master/glass.csv')

df.index.size
# 214

##########随机抽样##########
#
# 使用pandas
# DataFrame.sample(n=None, frac=None, replace=False, weights=None, random_state=None, axis=None)
# n是要抽取的行数。(例如n=20000时,抽取其中的2W行)
# frac是抽取的比列。(有一些时候,我们并对具体抽取的行数不关系,我们想抽取其中的百分比,这个时候就可以选择使用frac,例如frac=0.8,就是抽取其中80%)
# replace:是否为有放回抽样,取replace=True时为有放回抽样。
# weights这个是每个样本的权重,具体可以看官方文档说明。
# random_state这个在之前的文章已经介绍过了。
# axis是选择抽取数据的行还是列。axis=0的时是抽取行,axis=1时是抽取列(也就是说axis=1时,在列中随机抽取n列,在axis=0时,在行中随机抽取n行)

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

# 数据准备
data = df.values
# 使用random
data_sample = random.sample(list(data), 20)
len(data_sample)
# 20

##########等距抽样##########
# 指定抽样数量
sample_count = 50
# 获取最大样本量
record_count = data.shape[0]
# 抽样间距
width = record_count//sample_count
data_sample = []
i = 0
# 本量小于等于指定抽样数量并且矩阵索引在有效范围内是
while len(data_sample) <= sample_count and i * width <= record_count -1:
  data_sample.append(data[i*width])
  i += 1
len(data_sample)
# 51

##########分层抽样##########
# 数据只是随便找的分层仅限于演示
# 定义每个分层的抽样数量
each_sample_count = 6
# 定义分层值域
label_data_unique = np.unique(data[:, -1])
# 定义一些数据
sample_list, sample_data, sample_dict = [], [], {}
# 遍历每个分层标签
for label_data in label_data_unique:
  for data_tmp in data: # 读取每条数据
    if data_tmp[-1] == label_data:
      sample_list.append(data_tmp)
  # 对每层数据都数据抽样
  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}

##########整群抽样##########
# 数据分群仅限于演示,不符合实际情况
# 定义整群的标签
label_data_unique = np.unique(data[:, -1])
# 随机抽取2个群
sample_label = random.sample(list(label_data_unique), 2)
# 定义空列表
sample_data = []
# 遍历每个整群标签值域
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

需要注意的问题

数据抽样过程中要注意一些问题

数据时效性 不能用过时的数据来分析现在的运营状态

关键因素数据 整体数据的关键性数据必须要在模型中,如双十一带来的销售增长

业务随机性 抽样数据要使各个场景的数据分布均衡

数据来源多样性 数据覆盖要全面

抽样数据量问题

时间分布 能包含业务周期。月销售预测,至少包含12个月数据;时间还要考虑季节、节假日、特定促销日等周期性。

做预测分析 考虑特征数据和特征值域的分布,通常数据记录要同时是特征数量和特征值域的100倍以上。例如数据集有5个特征值,每个特征有2个值域,那么数据记录数需要至少1000(10052)条以上

做关联规则分析 根据关联前后项数量(每个前项或后项可包含多个要关联的主体,例如品牌+商品+价格关联),每个主体需要至少1000条数据。例如只做单品销售关联,那么单品的销售记录需要在1000条以上;如果要同时做单品+品牌的关联,那么需要至少2000条数据。

异常检测 无论是监督室还是非监督式建模,对于异常数据本来就是小概率分布的,因此异常数据记录一般越多越好。

以上这篇python数据预处理 :数据抽样解析就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持三水点靠木。

Python 相关文章推荐
python:socket传输大文件示例
Jan 18 Python
python中pandas.DataFrame的简单操作方法(创建、索引、增添与删除)
Mar 12 Python
python编程线性回归代码示例
Dec 07 Python
python学生信息管理系统
Mar 13 Python
python实现三次样条插值
Dec 17 Python
对python3中的RE(正则表达式)-详细总结
Jul 23 Python
Python StringIO如何在内存中读写str
Jan 07 Python
python实现将两个文件夹合并至另一个文件夹(制作数据集)
Apr 03 Python
jupyter notebook 调用环境中的Keras或者pytorch教程
Apr 14 Python
python如何使用代码运行助手
Jul 03 Python
Python用来做Web开发的优势有哪些
Aug 05 Python
Python调用jar包方法实现过程解析
Aug 11 Python
Python找出列表中出现次数最多的元素三种方式
Feb 24 #Python
Python流程控制常用工具详解
Feb 24 #Python
深入浅析Python 函数注解与匿名函数
Feb 24 #Python
python数据预处理方式 :数据降维
Feb 24 #Python
python实现PCA降维的示例详解
Feb 24 #Python
Python sklearn库实现PCA教程(以鸢尾花分类为例)
Feb 24 #Python
python 线性回归分析模型检验标准--拟合优度详解
Feb 24 #Python
You might like
PHP隐形一句话后门,和ThinkPHP框架加密码程序(base64_decode)
2011/11/02 PHP
php的POSIX 函数以及进程测试的深入分析
2013/06/03 PHP
CI框架验证码CAPTCHA辅助函数用法实例
2014/11/05 PHP
php的GD库imagettftext函数解决中文乱码问题
2015/01/24 PHP
php生成word并下载代码实例
2019/03/15 PHP
JavaScript中this关键字使用方法详解
2007/03/08 Javascript
可实现多表单提交的javascript函数
2007/08/01 Javascript
不安全的常用的js写法
2009/09/15 Javascript
浅析offsetLeft,Left,clientLeft之间的区别
2013/11/30 Javascript
javascript实现根据iphone屏幕方向调用不同样式表的方法
2015/07/13 Javascript
js实现带圆角的两级导航菜单效果代码
2015/08/24 Javascript
JQuery EasyUI的一些常用组件
2017/07/12 jQuery
Vue学习笔记进阶篇之vue-cli安装及介绍
2017/07/18 Javascript
使用Jenkins部署React项目的方法步骤
2019/03/11 Javascript
vue中实现上传文件给后台实例详解
2019/08/22 Javascript
JS图片懒加载技术实现过程解析
2020/07/27 Javascript
Python写的Tkinter程序屏幕居中方法
2015/03/10 Python
python3.4用函数操作mysql5.7数据库
2017/06/23 Python
TensorFlow如何实现反向传播
2018/02/06 Python
如何在Django中添加没有微秒的 DateTimeField 属性详解
2019/01/30 Python
在win10和linux上分别安装Python虚拟环境的方法步骤
2019/05/09 Python
对Python中TKinter模块中的Label组件实例详解
2019/06/14 Python
python 实现GUI(图形用户界面)编程详解
2019/07/17 Python
tensorflow使用指定gpu的方法
2020/02/04 Python
Python3.x+pyqtgraph实现数据可视化教程
2020/03/14 Python
pycharm下pyqt4安装及环境配置的教程
2020/04/24 Python
Django分组聚合查询实例分享
2020/04/29 Python
踩坑:pytorch中eval模式下结果远差于train模式介绍
2020/06/23 Python
Python 常用日期处理 -- calendar 与 dateutil 模块的使用
2020/09/02 Python
餐厅感恩节活动策划方案
2014/10/11 职场文书
七一慰问简报
2015/07/20 职场文书
年终工作总结范文
2019/06/20 职场文书
Vue CLI中模式与环境变量的深入详解
2021/05/30 Vue.js
Java反应式框架Reactor中的Mono和Flux
2021/07/25 Java/Android
Python pandas之求和运算和非空值个数统计
2021/08/07 Python
vmware虚拟机打不开vmx文件怎么办 ?vmware虚拟机vmx文件打开方法
2022/04/08 数码科技