大家好，今天來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候使用全量數(shù)據(jù)是不現(xiàn)實(shí)的，或者根本無法取到。所以我們需要抽樣，比如在推斷性統(tǒng)計中，我們會經(jīng)常通過采樣的樣本數(shù)據(jù)來推斷估計總體的樣本。

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

概率抽樣：根據(jù)概率理論選擇樣本，每個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，并不是每個樣本都有機(jī)會被選中。

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

這也是最簡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，且各自有序號對應(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，被選中序號所對應(yīng)的樣本就被選出來了。

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個人中隨機(jī)選出5個。

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，不過要加上一個前提條件了。在分層抽樣下，會根據(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)分類標(biāo)簽中的類標(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，按照每個分組單獨(dú)隨機(jī)抽樣。

Python中我們通過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.聚類抽樣（Cluster Sampling）

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

用Python可以先給聚類的群體分配聚類ID，然后隨機(jī)抽取兩個子群體，再找到相對應(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個樣本的聚類 ID，這一步已經(jīng)假設(shè)聚類完成

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

# 隨機(jī)選出兩個聚類的 ID

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

# 提取聚類 ID 對應(yīng)的樣本

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

# 提取樣本序號對應(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 個元素抽取一下。一般來說，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 個元素進(jìn)行一次采樣，然后重復(fù)下去。

用Python實(shí)現(xiàn)的話可以直接在循環(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.多級采樣（Multistage sampling）

在多階段采樣下，我們將多個采樣方法一個接一個地連接在一起。比如，在第一階段，可以使用聚類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個樣本的聚類 ID，這一步已經(jīng)假設(shè)聚類完成

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

# 隨機(jī)選出兩個聚類的 ID

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

# 提取聚類 ID 對應(yīng)的樣本

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

# 提取樣本序號對應(yīng)的樣本值

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

# 再從聚類樣本里隨機(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，毫無疑問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，對于無隨機(jī)性我們是無法通過統(tǒng)計概率和編程來實(shí)現(xiàn)的。這里也介紹3種方法。

1.簡單采樣（convenience sampling）

簡單采樣，其實(shí)就是研究人員只選擇最容易參與和最有機(jī)會參與研究的個體。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填寫某種調(diào)查表格形式自行參與的。所以，這種情況中，調(diào)查的研究人員是沒有權(quán)利選擇任何個體的，全憑群體的自愿報名。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體。

3.雪球抽樣（Snowball Sampling）

雪球抽樣是說，最終集合是通過其他參與者選擇的，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)周圍的其它聯(lián)系人。

總結(jié)以上就是8種常用抽樣方法，平時工作中比較常用的還是概率類抽樣方法，因?yàn)闆]有隨機(jī)性我們是無法通過統(tǒng)計學(xué)和編程完成自動化操作的。

比如在信貸的風(fēng)控樣本設(shè)計時，就需要從樣本窗口通過概率進(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，所以在抽樣時會考慮很多問題，如樣本數(shù)量、是否有顯著性、樣本穿越等等。在這時，一個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