本篇文章給大家分享的是有關怎么在python中實現(xiàn)數(shù)據(jù)抽樣解析,小編覺得挺實用的,因此分享給大家學習,希望大家閱讀完這篇文章后可以有所收獲,話不多說,跟著小編一起來看看吧。
創(chuàng)新互聯(lián)長期為千余家客戶提供的網(wǎng)站建設服務,團隊從業(yè)經(jīng)驗10年,關注不同地域、不同群體,并針對不同對象提供差異化的產(chǎn)品和服務;打造開放共贏平臺,與合作伙伴共同營造健康的互聯(lián)網(wǎng)生態(tài)環(huán)境。為莒縣企業(yè)提供專業(yè)的成都做網(wǎng)站、網(wǎng)站設計、外貿(mào)營銷網(wǎng)站建設,莒縣網(wǎng)站改版等技術服務。擁有十余年豐富建站經(jīng)驗和眾多成功案例,為您定制開發(fā)。Python是一種編程語言,內(nèi)置了許多有效的工具,Python幾乎無所不能,該語言通俗易懂、容易入門、功能強大,在許多領域中都有廣泛的應用,例如最熱門的大數(shù)據(jù)分析,人工智能,Web開發(fā)等。
何為數(shù)據(jù)抽樣:
抽樣是數(shù)據(jù)處理的一種基本方法,常常伴隨著計算資源不足、獲取全部數(shù)據(jù)困難、時效性要求等情況使用。
抽樣方法:
一般有四種方法:
隨機抽樣 直接從整體數(shù)據(jù)中等概率抽取n個樣本。這種方法優(yōu)勢是,簡單、好操作、適用于分布均勻的場景;缺點是總體大時無法一一編號
系統(tǒng)抽樣 又稱機械、等距抽樣,將總體中個體按順序進行編號,然后計算出間隔,再按照抽樣間隔抽取個體。優(yōu)勢,易于理解、簡便易行。缺點是,如有明顯分布規(guī)律時容易產(chǎn)生偏差。
群體抽樣 總體分群,在隨機抽取幾個小群代表總體。優(yōu)點是簡單易行、便與組織;缺點是群體劃分容易造成誤差
分層抽樣 先按照觀察指標影響較大的某一種特征,將總體分若干個類別,再從每一層隨機抽取一定數(shù)量的單位合并成總體。優(yōu)點樣本代表性好,少誤差
以上四種基本抽樣方法都屬單階段抽樣,實際應用中常根據(jù)實際情況將整個抽樣過程分為若干階段來進行,稱為多階段抽樣。
各種抽樣方法的抽樣誤差一般是:整群抽樣≥單純隨機抽樣≥系統(tǒng)抽樣≥分層抽樣
python代碼實現(xiàn)
import random import numpy as np import pandas as pd # 導入數(shù)據(jù) df = pd.read_csv('https://raw.githubusercontent.com/ffzs/dataset/master/glass.csv') df.index.size # 214 ##########隨機抽樣########## # # 使用pandas # DataFrame.sample(n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) # n是要抽取的行數(shù)。(例如n=20000時,抽取其中的2W行) # frac是抽取的比列。(有一些時候,我們并對具體抽取的行數(shù)不關系,我們想抽取其中的百分比,這個時候就可以選擇使用frac,例如frac=0.8,就是抽取其中80%) # replace:是否為有放回抽樣,取replace=True時為有放回抽樣。 # weights這個是每個樣本的權(quán)重,具體可以看官方文檔說明。 # random_state這個在之前的文章已經(jīng)介紹過了。 # axis是選擇抽取數(shù)據(jù)的行還是列。axis=0的時是抽取行,axis=1時是抽取列(也就是說axis=1時,在列中隨機抽取n列,在axis=0時,在行中隨機抽取n行) df_0 = df.sample(n=20, replace=True) df_0.index.size # 20 # 數(shù)據(jù)準備 data = df.values # 使用random data_sample = random.sample(list(data), 20) len(data_sample) # 20 ##########等距抽樣########## # 指定抽樣數(shù)量 sample_count = 50 # 獲取大樣本量 record_count = data.shape[0] # 抽樣間距 width = record_count//sample_count data_sample = [] i = 0 # 本量小于等于指定抽樣數(shù)量并且矩陣索引在有效范圍內(nèi)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 ##########分層抽樣########## # 數(shù)據(jù)只是隨便找的分層僅限于演示 # 定義每個分層的抽樣數(shù)量 each_sample_count = 6 # 定義分層值域 label_data_unique = np.unique(data[:, -1]) # 定義一些數(shù)據(jù) sample_list, sample_data, sample_dict = [], [], {} # 遍歷每個分層標簽 for label_data in label_data_unique: for data_tmp in data: # 讀取每條數(shù)據(jù) if data_tmp[-1] == label_data: sample_list.append(data_tmp) # 對每層數(shù)據(jù)都數(shù)據(jù)抽樣 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} ##########整群抽樣########## # 數(shù)據(jù)分群僅限于演示,不符合實際情況 # 定義整群的標簽 label_data_unique = np.unique(data[:, -1]) # 隨機抽取2個群 sample_label = random.sample(list(label_data_unique), 2) # 定義空列表 sample_data = [] # 遍歷每個整群標簽值域 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
需要注意的問題
數(shù)據(jù)抽樣過程中要注意一些問題
數(shù)據(jù)時效性 不能用過時的數(shù)據(jù)來分析現(xiàn)在的運營狀態(tài)
關鍵因素數(shù)據(jù) 整體數(shù)據(jù)的關鍵性數(shù)據(jù)必須要在模型中,如雙十一帶來的銷售增長
業(yè)務隨機性 抽樣數(shù)據(jù)要使各個場景的數(shù)據(jù)分布均衡
數(shù)據(jù)來源多樣性 數(shù)據(jù)覆蓋要全面
抽樣數(shù)據(jù)量問題
時間分布 能包含業(yè)務周期。月銷售預測,至少包含12個月數(shù)據(jù);時間還要考慮季節(jié)、節(jié)假日、特定促銷日等周期性。
做預測分析 考慮特征數(shù)據(jù)和特征值域的分布,通常數(shù)據(jù)記錄要同時是特征數(shù)量和特征值域的100倍以上。例如數(shù)據(jù)集有5個特征值,每個特征有2個值域,那么數(shù)據(jù)記錄數(shù)需要至少1000(10052)條以上
做關聯(lián)規(guī)則分析 根據(jù)關聯(lián)前后項數(shù)量(每個前項或后項可包含多個要關聯(lián)的主體,例如品牌+商品+價格關聯(lián)),每個主體需要至少1000條數(shù)據(jù)。例如只做單品銷售關聯(lián),那么單品的銷售記錄需要在1000條以上;如果要同時做單品+品牌的關聯(lián),那么需要至少2000條數(shù)據(jù)。
異常檢測 無論是監(jiān)督室還是非監(jiān)督式建模,對于異常數(shù)據(jù)本來就是小概率分布的,因此異常數(shù)據(jù)記錄一般越多越好。
以上就是怎么在python中實現(xiàn)數(shù)據(jù)抽樣解析,小編相信有部分知識點可能是我們?nèi)粘9ぷ鲿姷交蛴玫降?。希望你能通過這篇文章學到更多知識。更多詳情敬請關注創(chuàng)新互聯(lián)成都網(wǎng)站設計公司行業(yè)資訊頻道。
另外有需要云服務器可以了解下創(chuàng)新互聯(lián)scvps.cn,海內(nèi)外云服務器15元起步,三天無理由+7*72小時售后在線,公司持有idc許可證,提供“云服務器、裸金屬服務器、高防服務器、香港服務器、美國服務器、虛擬主機、免備案服務器”等云主機租用服務以及企業(yè)上云的綜合解決方案,具有“安全穩(wěn)定、簡單易用、服務可用性高、性價比高”等特點與優(yōu)勢,專為企業(yè)上云打造定制,能夠滿足用戶豐富、多元化的應用場景需求。
新聞標題:怎么在python中實現(xiàn)數(shù)據(jù)抽樣解析-創(chuàng)新互聯(lián)
當前URL:http://bm7419.com/article38/cedjpp.html
成都網(wǎng)站建設公司_創(chuàng)新互聯(lián),為您提供網(wǎng)站建設、用戶體驗、網(wǎng)站設計、定制開發(fā)、域名注冊、網(wǎng)站改版
聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主,如果涉及侵權(quán)請盡快告知,我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場,如需處理請聯(lián)系客服。電話:028-86922220;郵箱:631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載,或轉(zhuǎn)載時需注明來源: 創(chuàng)新互聯(lián)
猜你還喜歡下面的內(nèi)容