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 测试实现方法
Dec 24 Python
python通过ftplib登录到ftp服务器的方法
May 08 Python
安装Python的教程-Windows
Jul 22 Python
Win7下Python与Tensorflow-CPU版开发环境的安装与配置过程
Jan 04 Python
详解Python使用tensorflow入门指南
Feb 09 Python
取numpy数组的某几行某几列方法
Apr 03 Python
Python基于opencv的图像压缩算法实例分析
May 03 Python
python找出完数的方法
Nov 12 Python
Python 一句话生成字母表的方法
Jan 02 Python
Django使用uwsgi部署时的配置以及django日志文件的处理方法
Aug 30 Python
没编程基础可以学python吗
Jun 17 Python
python开发的自动化运维工具ansible详解
Aug 07 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数组应用之比较两个时间的相减排序
2008/08/18 PHP
PHP日期处理函数 整型日期格式
2011/01/12 PHP
php实现查询百度google收录情况(示例代码)
2013/08/02 PHP
PHP小教程之实现双向链表
2014/06/12 PHP
php比较两个字符串长度的方法
2015/07/13 PHP
yii2.0整合阿里云oss的示例代码
2017/09/19 PHP
PHP实现微信提现功能(微信商城)
2019/11/21 PHP
表单提交时自动复制内容到剪贴板的js代码
2007/03/16 Javascript
jquery解析JSON数据示例代码
2014/03/17 Javascript
jQuery插件slides实现无缝轮播图特效
2015/04/17 Javascript
JavaScript小技巧整理
2015/12/30 Javascript
js实现上一页下一页的效果【附代码】
2016/03/10 Javascript
简介BootStrap model弹出框的使用
2016/04/27 Javascript
AngularJS中$http服务常用的应用及参数
2016/08/22 Javascript
jQuery得到多个值只能用取Class ,不能用取ID的方法
2016/12/04 Javascript
vue脚手架vue-cli的学习使用教程
2017/06/06 Javascript
JS+Canvas绘制动态时钟效果
2017/11/10 Javascript
Python实现处理管道的方法
2015/06/04 Python
python实现抖音点赞功能
2019/04/07 Python
python 链接sqlserver 写接口实例
2020/03/11 Python
pytorch SENet实现案例
2020/06/24 Python
Python中logging日志的四个等级和使用
2020/11/17 Python
CSS3中31种选择器使用方法教程
2013/12/05 HTML / CSS
Bose美国官网:购买Bose耳机和音箱
2019/03/10 全球购物
世界顶级户外运动品牌折扣网站:LeftLane Sports
2019/06/12 全球购物
公司培训欢迎词
2014/01/10 职场文书
向领导表决心的话
2014/03/11 职场文书
会计求职信
2014/05/29 职场文书
医院反腐倡廉演讲稿
2014/09/16 职场文书
预备党员期盼十八届四中全会召开思想汇报
2014/10/17 职场文书
优秀大学生自荐信
2015/03/26 职场文书
英语投诉信范文
2015/07/03 职场文书
读《教育心理学》心得体会
2016/01/22 职场文书
Python机器学习之基础概述
2021/05/19 Python
用Python可视化新冠疫情数据
2022/01/18 Python
SQL Server使用导出向导功能
2022/04/08 SQL Server