Pandas 中的集群采样

抽样是一种我们从大量人口中收集或选择一小组数据的方法，而无需找出集合中每个个体的含义。我们正在对总体数据进行抽样，因为我们无法从整个总体中收集数据。如果我们完成了抽样，那么我们将总体纳入可管理的形式，并帮助最大程度地减少由于总体数量众多而导致的错误。

我们可以用几种方法进行抽样，这里只讨论集群抽样：

整群抽样：

整群抽样是一种概率抽样，其中总体中的每个元素都是平等选择的，我们使用总体的子集作为抽样部分而不是单个元素进行抽样。

人口被划分为被认为是集群的子集或子组，并且从集群的数量中，我们选择单个集群以进行下一步。

现在查看对总体执行集群抽样所采取的步骤：

步骤 1：定义和确定目标人群。

这是我们必须执行抽样的第一步，我们必须从总体中清楚地选择目标区域。

为了用简单的语言理解，让我们举一个整数的例子，整数是可以像所有负数和正数（ -1,-4,-8,3,5,2,0……etc ）一样没有小数形式的数字所以我们把所有的整数作为我们的数据，我们必须从这些数据中选择我们的目标区域来执行采样。从这些整数数据中，我们可以针对所有正数或所有负数。

这里我们假设我们的目标区域都是正数，这意味着我们从整数数据中取所有正数作为我们的样本。

步骤2：抽样方法。

这里我们使用概率聚类抽样，因为总体中的每个元素都有相同的选择机会。

第 3 步：将样本分成簇。

在我们选择采样方法后，我们将样本划分为集群，这是执行集群采样的一个重要部分，我们必须创建一个质量集群，因为它们在采样后会产生更好的准确性。我们提醒，我们正在生产的集群具有更好的影响，这意味着它们对我们的人口有很好的代表。集群必须均匀且相似地分布，因为它们之间没有重复。理想情况下，每个集群应该是整个人口的微型代表。

第 4 步：收集数据。

在执行上述步骤后的最后一步，我们从样本中收集我们想要的数据。

我们举一个集群抽样的例子，其中我们取 1 到 n 个自然数来组成集群，然后从该集群中选择随机的单个集群进行采样。

N = 16，因此我们从 1 到 16 中抽取样本，然后从集群中随机选择一个集群作为样本，然后有一个由 4 个数字组成的单独集群。

示例 1：

Python3

# import pandas
import pandas as pd
  
# import numpy
import numpy as np
  
# creating dictionary of data
data = {'N_numbers':np.arange(1,16)}
  
# creating dataframe
df = pd.DataFrame(data)
  
# sample of data
samples = df.sample(4)
print(samples)

输出：

4 个数字的随机样本形成 1-16 个数字的集群。

在此输出中，我们从具有随机数的 N-numbers 列中看到，顺便说一下，这是包含 4 个样本的随机集群。在 Sample()的帮助下，设置单个集群呈现的样本数。

示例 2：

蟒蛇3

# code
# importing modules
import pandas as pd
import numpy as np
  
#creating dictionary of data
dic_data = {'employee_id':np.arange(1,21),
                  'value':np.random.randn(20)}
  
# creating DataFrame from dictonary
df = pd.DataFrame(dic_data)
print(df)

输出：

在这里，我们创建了 DataFrame df，其中包含 20 个员工 ID，每个 ID 都有随机值。从数据集df ， 我们采用包含特定 4 个随机样本的随机集群。

代码：

蟒蛇3

# code
# import pandas 
import pandas as pd
  
# import numpy 
import numpy as np
  
# creating samples
samples = df.sample(4).sort_values(by='employee_id')
  
# show samples
print(samples)

输出：

这些是随机选择的员工

正如您在我们的输出中看到的，我们收集了 4 个随机员工的数据，其中包含他们的 employee_id 和值。首先，我们创建一个样本变量，然后为其分配一个由 4 名随机员工组成的样本，作为我们的数据。