大家好，今天來(lái)和大家聊聊抽樣的幾種常用方法，以及在Python中是如何實(shí)現(xiàn)的。

抽樣是統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)中非常重要，也是經(jīng)常用到的方法，因?yàn)榇蠖鄷r(shí)候使用全量數(shù)據(jù)是不現(xiàn)實(shí)的，或者根本無(wú)法取到。所以我們需要抽樣，比如在推斷性統(tǒng)計(jì)中，我們會(huì)經(jīng)常通過(guò)采樣的樣本數(shù)據(jù)來(lái)推斷估計(jì)總體的樣本。

上面所說(shuō)的都是以概率為基礎(chǔ)的，實(shí)際上還有一類(lèi)非概率的抽樣方法，因此總體上歸納為兩大種類(lèi)：

概率抽樣：根據(jù)概率理論選擇樣本，每個(gè)樣本有相同的概率被選中。

非概率抽樣：根據(jù)非隨機(jī)的標(biāo)準(zhǔn)選擇樣本，并不是每個(gè)樣本都有機(jī)會(huì)被選中。

概率抽樣技術(shù)1.隨機(jī)抽樣（Random Sampling）

這也是最簡(jiǎn)單暴力的一種抽樣了，就是直接隨機(jī)抽取，不考慮任何因素，完全看概率。并且在隨機(jī)抽樣下，總體中的每條樣本被選中的概率相等。

比如，現(xiàn)有10000條樣本，且各自有序號(hào)對(duì)應(yīng)的，假如抽樣數(shù)量為1000，那我就直接從1-10000的數(shù)字中隨機(jī)抽取1000個(gè)，被選中序號(hào)所對(duì)應(yīng)的樣本就被選出來(lái)了。

在Python中，我們可以用random函數(shù)隨機(jī)生成數(shù)字。下面就是從100個(gè)人中隨機(jī)選出5個(gè)。

import random

population = 100

data = range（population）

print（random.sample（data，5））

》 4， 19， 82， 45， 41

2.分層抽樣（Stratified Sampling）

分層抽樣其實(shí)也是隨機(jī)抽取，不過(guò)要加上一個(gè)前提條件了。在分層抽樣下，會(huì)根據(jù)一些共同屬性將帶抽樣樣本分組，然后從這些分組中單獨(dú)再隨機(jī)抽樣。

因此，可以說(shuō)分層抽樣是更精細(xì)化的隨機(jī)抽樣，它要保持與總體群體中相同的比例。 比如，機(jī)器學(xué)習(xí)分類(lèi)標(biāo)簽中的類(lèi)標(biāo)簽0和1，比例為3:7，為保持原有比例，那就可以分層抽樣，按照每個(gè)分組單獨(dú)隨機(jī)抽樣。

Python中我們通過(guò)train_test_split設(shè)置stratify參數(shù)即可完成分層操作。

from sklearn.model_selection import train_test_split

stratified_sample， _ = train_test_split（population， test_size=0.9， stratify=population［［‘label’］］）

print （stratified_sample）

3.聚類(lèi)抽樣（Cluster Sampling）

聚類(lèi)抽樣，也叫整群抽樣。它的意思是，先將整個(gè)總體劃分為多個(gè)子群體，這些子群體中的每一個(gè)都具有與總體相似的特征。也就是說(shuō)它不對(duì)個(gè)體進(jìn)行抽樣，而是隨機(jī)選擇整個(gè)子群體。

用Python可以先給聚類(lèi)的群體分配聚類(lèi)ID，然后隨機(jī)抽取兩個(gè)子群體，再找到相對(duì)應(yīng)的樣本值即可，如下。

import numpy as np

clusters=5

pop_size = 100

sample_clusters=2# 間隔為 20， 從 1 到 5 依次分配集群100個(gè)樣本的聚類(lèi) ID，這一步已經(jīng)假設(shè)聚類(lèi)完成

cluster_ids = np.repeat（［range（1，clusters+1）］， pop_size/clusters）

# 隨機(jī)選出兩個(gè)聚類(lèi)的 ID

cluster_to_select = random.sample（set（cluster_ids）， sample_clusters）

# 提取聚類(lèi) ID 對(duì)應(yīng)的樣本

indexes = ［i for i， x in enumerate（cluster_ids） if x in cluster_to_select］

# 提取樣本序號(hào)對(duì)應(yīng)的樣本值

cluster_associated_elements = ［el for idx， el in enumerate（range（1， 101）） if idx in indexes］

print （cluster_associated_elements）

4.系統(tǒng)抽樣（Systematic Sampling）

系統(tǒng)抽樣是以預(yù)定的規(guī)則間隔（基本上是固定的和周期性的間隔）從總體中抽樣。比如，每 9 個(gè)元素抽取一下。一般來(lái)說(shuō)，這種抽樣方法往往比普通隨機(jī)抽樣方法更有效。

下圖是按順序?qū)γ?9 個(gè)元素進(jìn)行一次采樣，然后重復(fù)下去。

用Python實(shí)現(xiàn)的話(huà)可以直接在循環(huán)體中設(shè)置step即可。

population = 100

step = 5

sample = ［element for element in range（1， population， step）］

print （sample）

5.多級(jí)采樣（Multistage sampling）

在多階段采樣下，我們將多個(gè)采樣方法一個(gè)接一個(gè)地連接在一起。比如，在第一階段，可以使用聚類(lèi)抽樣從總體中選擇集群，然后第二階段再進(jìn)行隨機(jī)抽樣，從每個(gè)集群中選擇元素以形成最終集合。

Python代碼復(fù)用了上面聚類(lèi)抽樣，只是在最后一步再進(jìn)行隨機(jī)抽樣即可。

import numpy as np

clusters=5

pop_size = 100

sample_clusters=2

sample_size=5# 間隔為 20， 從 1 到 5 依次分配集群100個(gè)樣本的聚類(lèi) ID，這一步已經(jīng)假設(shè)聚類(lèi)完成

cluster_ids = np.repeat（［range（1，clusters+1）］， pop_size/clusters）

# 隨機(jī)選出兩個(gè)聚類(lèi)的 ID

cluster_to_select = random.sample（set（cluster_ids）， sample_clusters）

# 提取聚類(lèi) ID 對(duì)應(yīng)的樣本

indexes = ［i for i， x in enumerate（cluster_ids） if x in cluster_to_select］

# 提取樣本序號(hào)對(duì)應(yīng)的樣本值

cluster_associated_elements = ［el for idx， el in enumerate（range（1， 101）） if idx in indexes］

# 再?gòu)木垲?lèi)樣本里隨機(jī)抽取樣本print （random.sample（cluster_associated_elements， sample_size））

非概率抽樣技術(shù)非概率抽樣，毫無(wú)疑問(wèn)就是不考慮概率的方式了，很多情況下是有條件的選擇。因此，對(duì)于無(wú)隨機(jī)性我們是無(wú)法通過(guò)統(tǒng)計(jì)概率和編程來(lái)實(shí)現(xiàn)的。這里也介紹3種方法。

1.簡(jiǎn)單采樣（convenience sampling）

簡(jiǎn)單采樣，其實(shí)就是研究人員只選擇最容易參與和最有機(jī)會(huì)參與研究的個(gè)體。比如下面的圖中，藍(lán)點(diǎn)是研究人員，橙色點(diǎn)則是藍(lán)色點(diǎn)附近最容易接近的人群。

2.自愿抽樣（Voluntary Sampling）

自愿抽樣下，感興趣的人通常通過(guò)填寫(xiě)某種調(diào)查表格形式自行參與的。所以，這種情況中，調(diào)查的研究人員是沒(méi)有權(quán)利選擇任何個(gè)體的，全憑群體的自愿報(bào)名。比如下圖中藍(lán)點(diǎn)是研究人員，橙色的是自愿同意參與研究的個(gè)體。

3.雪球抽樣（Snowball Sampling）

雪球抽樣是說(shuō)，最終集合是通過(guò)其他參與者選擇的，即研究人員要求其他已知聯(lián)系人尋找愿意參與研究的人。比如下圖中藍(lán)點(diǎn)是研究人員，橙色的是已知聯(lián)系人，黃色是是橙色點(diǎn)周?chē)钠渌?lián)系人。

總結(jié)以上就是8種常用抽樣方法，平時(shí)工作中比較常用的還是概率類(lèi)抽樣方法，因?yàn)闆](méi)有隨機(jī)性我們是無(wú)法通過(guò)統(tǒng)計(jì)學(xué)和編程完成自動(dòng)化操作的。

比如在信貸的風(fēng)控樣本設(shè)計(jì)時(shí)，就需要從樣本窗口通過(guò)概率進(jìn)行抽樣。因?yàn)椴蓸拥馁|(zhì)量基本就決定了你模型的上限了，所以在抽樣時(shí)會(huì)考慮很多問(wèn)題，如樣本數(shù)量、是否有顯著性、樣本穿越等等。在這時(shí)，一個(gè)良好的抽樣方法是至關(guān)重要的。

參考：

［2］ https://towardsdatascience.com/8-types-of-sampling-techniques-b21adcdd2124

編輯：jq