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
从零学Python之入门(二)基本数据类型
May 25 Python
Python实现发送email的几种常用方法
Aug 18 Python
Python正则表达式匹配HTML页面编码
Apr 08 Python
使用Python压缩和解压缩zip文件的教程
May 06 Python
python类继承用法实例分析
May 27 Python
python实现感知器算法详解
Dec 19 Python
matplotlib调整子图间距,调整整体空白的方法
Aug 03 Python
详解从Django Rest Framework响应中删除空字段
Jan 11 Python
Python列表切片操作实例总结
Feb 19 Python
django删除表重建的实现方法
Aug 28 Python
用python批量下载apk
Dec 29 Python
Python tkinter实现日期选择器
Feb 22 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
点评山进PR-D3L三波段收音机
2021/03/02 无线电
使用adodb lite解决问题
2006/12/31 PHP
php whois查询API制作方法
2011/06/23 PHP
php单例模式的简单实现方法
2016/06/10 PHP
PHP实现驼峰样式字符串(首字母大写)转换成下划线样式字符串的方法示例
2017/08/10 PHP
PHP实现带进度条的Ajax文件上传功能示例
2019/07/02 PHP
phpstudy后门rce批量利用脚本的实现
2019/12/12 PHP
表格单元格交错着色实现思路及代码
2013/04/01 Javascript
使用forever管理nodejs应用教程
2014/06/03 NodeJs
JavaScript闭包函数访问外部变量的方法
2014/08/27 Javascript
javascript中Date对象的getDay方法使用指南
2014/12/22 Javascript
javascript封装简单实现方法
2015/08/11 Javascript
js转html实体的方法
2016/09/27 Javascript
d3.js实现简单的网络拓扑图实例代码
2016/11/06 Javascript
详解nodejs的express如何自动生成项目框架
2017/07/12 NodeJs
anime.js 实现带有描边动画效果的复选框(推荐)
2017/12/24 Javascript
js通过canvas生成图片缩略图
2020/10/02 Javascript
Python实现的Excel文件读写类
2015/07/30 Python
轻量级的Web框架Flask 中模块化应用的实现
2017/09/11 Python
对python程序内存泄漏调试的记录
2018/06/11 Python
python让列表倒序输出的实例
2018/06/25 Python
python+opencv实现阈值分割
2018/12/26 Python
Python魔法方法功能与用法简介
2019/04/04 Python
python读写csv文件的方法
2019/08/13 Python
python实现操作文件(文件夹)
2019/10/31 Python
Python 使用xlwt模块将多行多列数据循环写入excel文档的操作
2020/11/10 Python
存储过程和sql语句的优缺点
2014/07/02 面试题
公务员的自我鉴定
2013/10/26 职场文书
国际贸易专业推荐信
2013/11/15 职场文书
个人培训自我鉴定
2014/03/28 职场文书
抽奖活动主持词
2014/03/31 职场文书
目标责任书范文
2014/04/14 职场文书
助人为乐模范事迹材料
2014/06/02 职场文书
2015年团委副书记工作总结
2015/07/23 职场文书
会计岗位工作总结
2015/08/12 职场文书
python中使用 unittest.TestCase单元测试的用例详解
2021/08/30 Python