Python 下采样

在数据处理过程中，常常会面对数据量太大而难以处理的情况，因此需要对数据进行采样，得到一个较小且具有代表性的样本集来进行分析。本文将介绍 Python 中常用的数据采样方法和对应的库。

1. 简单随机采样

最常见的样本采样方法即简单随机采样。它会从样本总体中随机抽取一定数量的样本进行分析。在 Python 中，可以使用 random.sample() 函数来进行简单随机采样。

markdown格式代码片段：

import random

# 原始数据
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

# 简单随机采样
sample = random.sample(data, 5)

print("随机抽样的样本集为：", sample)

输出：

随机抽样的样本集为： [3, 5, 9, 4, 1]

2. 等距离采样

等距离采样是指在样本总体中等距离地选取一些样本进行分析。在 Python 中，可以使用 numpy 库中的 linspace() 函数来实现等距离采样。

markdown格式代码片段：

import numpy as np

# 原始数据
data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

# 等距离采样
sample = np.linspace(start=0, stop=len(data)-1, num=5, dtype=int)
sample_data = data[sample]

print("等距离采样的样本集为：", sample_data)

输出：

等距离采样的样本集为： [ 1  3  6  8 10]

3. 分层抽样

当样本总体中存在多种类型的数据时，为了保证样本的代表性，需要进行分层抽样。在 Python 中，可以使用 pandas 库中的 groupby() 函数按照数据类型进行分组，并随机抽取每组中的样本。

markdown格式代码片段：

import pandas as pd

# 原始数据
data = pd.DataFrame({
    'type': ['A', 'B', 'C', 'A', 'B', 'C'],
    'value': [1, 2, 3, 4, 5, 6]
})

# 分层抽样
sample = data.groupby('type').apply(lambda x: x.sample(n=1)).reset_index(drop=True)

print("分层抽样的样本集为：\n", sample)

输出：

分层抽样的样本集为：
   type  value
0    A      1
1    B      5
2    C      6

总结

本文介绍了 Python 中常用的三种数据采样方法和对应的库。简单随机采样适用于样本总体相对均匀的情况，等距离采样适用于样本总体有序的情况，分层抽样适用于样本总体具有多种类型的情况。在实际应用中，可以根据具体情况选择合适的采样方法，得到代表性的样本集进行分析。