抽樣工作在數(shù)據(jù)獲取較少或處理大量數(shù)據(jù)比較困難的時(shí)期非常流行，這主要有以下幾方面原因：
數(shù)據(jù)計(jì)算資源不足。計(jì)算機(jī)軟硬件的限制是導(dǎo)致抽樣產(chǎn)生的基本原因之一，尤其是在數(shù)據(jù)密集的生物、科學(xué)工程等領(lǐng)域，不抽樣往往無法對(duì)海量數(shù)據(jù)進(jìn)行計(jì)算。
數(shù)據(jù)采集限制。很多時(shí)候抽樣從數(shù)據(jù)采集端便已經(jīng)開始，例如做社會(huì)調(diào)查必須采用抽樣方法進(jìn)行研究，因?yàn)楦緹o法對(duì)所有人群做調(diào)查。
時(shí)效性要求。抽樣帶來的是以局部反映全局的思路，如果方法正確，可以以極小的數(shù)據(jù)計(jì)算量來實(shí)現(xiàn)對(duì)整體數(shù)據(jù)的統(tǒng)計(jì)分析，在時(shí)效性上會(huì)大大增強(qiáng)。
如果存在上述條件限制或有類似強(qiáng)制性要求，那么抽樣工作仍然必不可少。
但是在當(dāng)前數(shù)據(jù)化運(yùn)營的大背景下，數(shù)據(jù)計(jì)算資源充足、數(shù)據(jù)采集端可以采集更多的數(shù)據(jù)并且可以通過多種方式滿足時(shí)效性的要求，抽樣工作是否就沒有必要了？其實(shí)不是的，即使上述限制條件都滿足，還有很多場景依然需要通過抽樣方法來解決具體問題。
通過抽樣來實(shí)現(xiàn)快速的概念驗(yàn)證。數(shù)據(jù)工作中可能會(huì)包括創(chuàng)新性或常識(shí)性項(xiàng)目，對(duì)于這類項(xiàng)目進(jìn)行快速驗(yàn)證、迭代和交付結(jié)論往往是概念驗(yàn)證的關(guān)鍵，通過抽樣方法帶來的不僅是計(jì)算效率的提升，還有前期數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)預(yù)處理、算法實(shí)現(xiàn)等各個(gè)方面的開發(fā)，以及服務(wù)器、硬件的配套方案的部署等內(nèi)容的可行性、簡單化和可操作性。
通過抽樣來解決樣本不均衡問題。通過欠抽樣、過抽樣以及組合/集成的方法解決不均衡的問題，這個(gè)過程就用到了抽樣方法。
無法實(shí)現(xiàn)對(duì)全部樣本覆蓋的數(shù)據(jù)化運(yùn)營場景。典型場景包括市場研究、客戶線下調(diào)研分析、產(chǎn)品品質(zhì)檢驗(yàn)、用戶電話滿意度調(diào)查等，在這些場景下無法實(shí)現(xiàn)對(duì)所有樣本的采集、分析、處理和建模。
定性分析的工作需要。在定性分析工作中，通常不需要定量分析時(shí)的完整假設(shè)、精確數(shù)據(jù)和復(fù)雜統(tǒng)計(jì)分析過程，更多的是采用訪問、觀察和文獻(xiàn)法收集資料并通過主觀理解和定性分析找到問題答案，該過程中主要依靠人自身的能力而非密集的計(jì)算機(jī)能力來完成研究工作。如果不使用抽樣方法，那么定性分析將很難完成。
抽樣方法從整體上分為非概率抽樣和概率抽樣兩種。非概率抽樣不是按照等概率的原則進(jìn)行抽樣，而是根據(jù)人類的主觀經(jīng)驗(yàn)和狀態(tài)進(jìn)行判斷；概率抽樣則是以數(shù)學(xué)概率論為基礎(chǔ)，按照隨機(jī)的原則進(jìn)行抽樣。本節(jié)以下內(nèi)容介紹的抽樣方法屬于概率抽樣。
1. 簡單隨機(jī)抽樣
該抽樣方法是按等概率原則直接從總樣本中抽取n個(gè)樣本，這種隨機(jī)抽樣方法簡單、易于操作，但是它并不能保證樣本能完美代表總體。這種抽樣的基本前提是所有樣本個(gè)體都是等概率分布的，但真實(shí)情況卻是多數(shù)樣本都不是或無法判斷是否是等概率分布的。
在簡單隨機(jī)抽樣中，得到的結(jié)果是不重復(fù)的樣本集，還可以使用有放回的簡單隨機(jī)抽樣，這樣得到的樣本集中會(huì)存在重復(fù)數(shù)據(jù)。該方法適用于個(gè)體分布均勻的場景。
2. 等距抽樣
等距抽樣是先將總體中的每個(gè)個(gè)體按順序編號(hào)，然后計(jì)算出抽樣間隔，再按照固定抽樣間隔抽取個(gè)體。
這種操作方法易于理解、簡便易行，但當(dāng)總體樣本的分布呈現(xiàn)明顯的分布規(guī)律時(shí)容易產(chǎn)生偏差，例如增減趨勢、周期性規(guī)律等。該方法適用于個(gè)體分布均勻或呈現(xiàn)明顯的均勻分布規(guī)律，無明顯趨勢或周期性規(guī)律的數(shù)據(jù)。
3. 分層抽樣
分層抽樣是先將所有個(gè)體樣本按照某種特征劃分為幾個(gè)類別，然后從每個(gè)類別中使用隨機(jī)抽樣或等距抽樣的方法選擇個(gè)體組成樣本。這種操作方法能明顯降低抽樣誤差，并且便于針對(duì)不同類別的數(shù)據(jù)樣本進(jìn)行單獨(dú)研究，因此是一種較好的實(shí)現(xiàn)方法。該方法適用于帶有分類邏輯的屬性、標(biāo)簽等特征的數(shù)據(jù)。
4. 整群抽樣
整群抽樣是先將所有樣本分為幾個(gè)小群體集，然后隨機(jī)抽樣幾個(gè)小群體集來代表總體。
這種操作方法與之前的3種方法的差異點(diǎn)在于該方法抽取的是小群體集，而不是每個(gè)數(shù)據(jù)個(gè)體本身。該方法雖然簡單易行，但是樣本的分布受限于小群體集的劃分，抽樣誤差較大。這種方法適用于小群體集的特征差異比較小的數(shù)據(jù)，并且對(duì)劃分小群體集有更高要求。
1. 數(shù)據(jù)抽樣要能反映運(yùn)營背景
數(shù)據(jù)能正確反映運(yùn)營背景，這看起來非常簡單，但實(shí)際上需要數(shù)據(jù)工作者對(duì)于運(yùn)營環(huán)節(jié)和流程非常熟悉才有可能實(shí)現(xiàn)。以下是常見的抽樣不能反映運(yùn)營背景的情況。
數(shù)據(jù)時(shí)效性問題：使用過時(shí)的數(shù)據(jù)（例如1年前的數(shù)據(jù)）來分析現(xiàn)在的運(yùn)營狀態(tài)。
缺少關(guān)鍵因素?cái)?shù)據(jù)：沒有將運(yùn)營分析涉及的主要因素所產(chǎn)生的數(shù)據(jù)放到抽樣數(shù)據(jù)中，導(dǎo)致無法根據(jù)主要因素產(chǎn)生有效結(jié)論，模型效果差，例如抽樣中沒有覆蓋大型促銷活動(dòng)帶來的銷售增長。
不具備業(yè)務(wù)隨機(jī)性：有意/無意多抽取或覆蓋特定數(shù)據(jù)場景，使得數(shù)據(jù)明顯趨向于特定分布規(guī)律，例如在做社會(huì)調(diào)查時(shí)使用北京市的抽樣數(shù)據(jù)來代表全國。
沒有考慮業(yè)務(wù)增長性：在成長型公司中，公司的發(fā)展不都是呈現(xiàn)線性趨勢的，很多時(shí)候會(huì)呈現(xiàn)指數(shù)趨勢。這時(shí)需要根據(jù)這種趨勢來使業(yè)務(wù)滿足不同增長階段的分析需求，而不只是集中于增長爆發(fā)區(qū)間。
沒有考慮數(shù)據(jù)來源的多樣性：只選擇某一來源的數(shù)據(jù)做抽樣，使得數(shù)據(jù)的分布受限于數(shù)據(jù)源。例如在做各分公司的銷售分析時(shí)，僅將北方大區(qū)的數(shù)據(jù)納入其中做抽樣，而忽視了其他大區(qū)的數(shù)據(jù)，其結(jié)果必然有所偏頗。
業(yè)務(wù)數(shù)據(jù)可行性問題：很多時(shí)候，由于受到經(jīng)費(fèi)、權(quán)限、職責(zé)等方面的限制，在數(shù)據(jù)抽樣方面無法按照數(shù)據(jù)工作要求來執(zhí)行，此時(shí)要根據(jù)運(yùn)營實(shí)際情況調(diào)整。這點(diǎn)往往被很多數(shù)據(jù)工作者忽視。
2. 數(shù)據(jù)抽樣要能滿足數(shù)據(jù)分析和建模需求
數(shù)據(jù)抽樣必須兼顧后續(xù)的其他數(shù)據(jù)處理工作，尤其是分析和建模需求。這時(shí)需要注意以下幾個(gè)方面的問題。
（1）抽樣樣本量的問題
對(duì)于大多數(shù)數(shù)據(jù)分析建模而言，數(shù)據(jù)規(guī)模越大，模型擬合結(jié)果越準(zhǔn)確。但到底如何定義數(shù)據(jù)量的大小，筆者根據(jù)不同類型的數(shù)據(jù)應(yīng)用總結(jié)為以下幾個(gè)維度：
以時(shí)間為維度分布的，至少包含一個(gè)能滿足預(yù)測的完整業(yè)務(wù)周期。例如，做月度銷售預(yù)測的，至少包含12個(gè)月的數(shù)據(jù)；做日銷售預(yù)測的，至少包含30天的數(shù)據(jù)，如果一天中包含特定周期，則需要重復(fù)多個(gè)周期。同時(shí)，時(shí)間性特征的要充分考慮季節(jié)性、波動(dòng)性、節(jié)假日等特殊規(guī)律，這些都要盡量包含在抽樣數(shù)據(jù)中。
做預(yù)測（包含分類和回歸）分析建模的，需要考慮特征數(shù)量和特征值域（非數(shù)值型）的分布，通常數(shù)據(jù)記錄數(shù)要同時(shí)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(gè)特征，假如每個(gè)特征有2個(gè)值域，那么數(shù)據(jù)記錄數(shù)需要至少在1000（100×5×2）條以上。
做關(guān)聯(lián)規(guī)則分析建模的，根據(jù)關(guān)聯(lián)前后項(xiàng)的數(shù)量（每個(gè)前項(xiàng)或后項(xiàng)可包含多個(gè)要關(guān)聯(lián)的主體，例如品牌+商品+價(jià)格關(guān)聯(lián)），每個(gè)主體需要至少1000條數(shù)據(jù)。例如只做單品銷售關(guān)聯(lián)，那么單品的銷售記錄需要在1000條以上；如果要同時(shí)做單品+品牌的關(guān)聯(lián)，那么需要至少2000條數(shù)據(jù)。
對(duì)于異常檢測類分析建模的，無論是監(jiān)督式還是非監(jiān)督式建模，由于異常數(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。
以上的數(shù)據(jù)記錄數(shù)不是固定的，在實(shí)際工作時(shí)，如果沒有特定時(shí)間要求，筆者一般會(huì)選擇一個(gè)適中的樣本量做分析，此時(shí)應(yīng)綜合考慮特征數(shù)、特征值域分布數(shù)、模型算法適應(yīng)性、建模需求等；如果是面向機(jī)器計(jì)算的工作項(xiàng)目，一般會(huì)選擇盡量多的數(shù)據(jù)參與計(jì)算，而有關(guān)算法實(shí)時(shí)性和效率的問題會(huì)讓技術(shù)和運(yùn)維人員配合實(shí)現(xiàn)，例如提高服務(wù)器配置、擴(kuò)大分布式集群規(guī)模、優(yōu)化底層程序代碼、使用實(shí)時(shí)計(jì)算的引擎和機(jī)制等。
（2）抽樣樣本在不同類別中的分布問題
做分類分析建模問題時(shí)，不同類別下的數(shù)據(jù)樣本需要均衡分布。
抽樣樣本能準(zhǔn)確代表全部整體特征：
非數(shù)值型的特征值域（例如各值頻數(shù)相對(duì)比例、值域范圍等）分布需要與總體一致。
數(shù)值型特征的數(shù)據(jù)分布區(qū)間和各個(gè)統(tǒng)計(jì)量（如均值、方差、偏度等）需要與整體數(shù)據(jù)分布區(qū)間一致。
缺失值、異常值、重復(fù)值等特殊數(shù)據(jù)的分布要與整體數(shù)據(jù)分布一致。
異常檢測類數(shù)據(jù)的處理：
對(duì)于異常檢測類的應(yīng)用要包含全部異常樣本。對(duì)于異常檢測類的分析建模，本來異常數(shù)據(jù)就非常稀少，因此抽樣時(shí)要優(yōu)先將異常數(shù)據(jù)包含進(jìn)去。
對(duì)于需要去除非業(yè)務(wù)因素的數(shù)據(jù)異常，如果有類別特征需要與類別特征分布一致；如果沒有類別特征，屬于非監(jiān)督式的學(xué)習(xí)，則需要與整體分布一致。
本示例中，將使用random包以及自定義代碼實(shí)現(xiàn)抽樣處理。數(shù)據(jù)源文件data2.txt、data3.txt和data4.txt位于“附件-chapter3”中。
整個(gè)示例代碼分為5部分。
第1部分：導(dǎo)入需要的庫
import random # 導(dǎo)入標(biāo)準(zhǔn)庫
import numpy as np # 導(dǎo)入第三方庫
這里用到了Python內(nèi)置標(biāo)準(zhǔn)庫random以及第三方庫Numpy，前者用于做隨機(jī)抽樣，后者用于讀取文件并做數(shù)據(jù)切片使用。
第2部分：實(shí)現(xiàn)簡單隨機(jī)抽樣
data = np.loadtxt('data3.txt') # 導(dǎo)入普通數(shù)據(jù)文件
data_sample = data[random.sample([i for i in range(len(data))], 2000)]
# 隨機(jī)抽取2000個(gè)樣本
print(data_sample[:2]) # 打印輸出前2條數(shù)據(jù)
print(len(data_sample)) # 打印輸出抽樣樣本量
首先通過Numpy的loadtxt方法讀取數(shù)據(jù)文件。
然后使用Random庫中的sample方法做數(shù)據(jù)抽樣。由于sample庫要求抽取的對(duì)象是一個(gè)序列或set，因此這里使用了一個(gè)列表推導(dǎo)式直接基于data數(shù)據(jù)集的記錄數(shù)生成索引列表，然后再返回給sample隨機(jī)抽樣，抽樣數(shù)量為2000；最后從data中直接基于索引獲得隨機(jī)抽樣后的結(jié)果。
打印輸出前2條數(shù)據(jù)和總抽樣樣本量。返回結(jié)果如下：
[[-4.59501348 8.82741653 4.40096599 3.40332532 -6.54589933]
[-7.23173404 -8.92692519 6.82830873 3.0378005 4.64450399]]
2000
相關(guān)知識(shí)點(diǎn)：Python中的列表推導(dǎo)式
本示例中，我們使用了列表推導(dǎo)式來生成data的索引列表。傳統(tǒng)方法的實(shí)現(xiàn)可以這樣寫：
ind = []
for i in range(len(data)):
ind.append(i)
而這里的列表推導(dǎo)式的寫法[i for i in range(len(data))]除了在語法上更加簡潔和優(yōu)雅外，在性能上同樣會(huì)有提升。我們通過如下實(shí)驗(yàn)做簡單測試，對(duì)從0到1000000的每個(gè)數(shù)求平方然后添加到列表。兩種方法如下：
# 方法1：傳統(tǒng)方法
import time
t0=time.time() # 開始時(shí)間
ind = []
for i in range(1000000):
sqr_values = i*i
ind.append(sqr_values)
t1 = time.time() # 結(jié)束時(shí)間
print(t1-t0) # 打印時(shí)間
# 方法2：列表推導(dǎo)式
import time
t0=time.time() # 開始時(shí)間
sqr_values = [i*i for i in range(1000000)]
t1 = time.time() # 結(jié)束時(shí)間
print(t1-t0) # 打印時(shí)間
上述代碼執(zhí)行后的輸出結(jié)果分別是：
0.39202237129211426
0.12700724601745605
上面只是簡單的計(jì)算邏輯并且數(shù)據(jù)量也不大，如果配合大數(shù)據(jù)量以及更復(fù)雜的運(yùn)算，那么效率提升會(huì)非常明顯。與之類似的還有生成器表達(dá)式、字典推導(dǎo)式，都是很Pythonic的實(shí)現(xiàn)方法。
第3部分：實(shí)現(xiàn)等距抽樣
data = np.loadtxt('data3.txt') # 導(dǎo)入普通數(shù)據(jù)文件
sample_count = 2000 # 指定抽樣數(shù)量
record_count = data.shape[0] # 獲取最大樣本量
width = record_count / sample_count # 計(jì)算抽樣間距
data_sample = [] # 初始化空白列表，用來存放抽樣結(jié)果數(shù)據(jù)
i = 0 # 自增計(jì)數(shù)以得到對(duì)應(yīng)索引值
while len(data_sample) <= sample_count and i * width <= record_count - 1:
# 當(dāng)樣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)時(shí)
data_sample.append(data[int(i * width)]) # 新增樣本
i += 1 # 自增長
print(data_sample[:2]) # 打印輸出前2條數(shù)據(jù)
print(len(data_sample)) # 打印輸出樣本數(shù)量
首先使用Numpy的loadtxt方法讀取數(shù)據(jù)文件；然后指定抽樣樣本量為2000，并通過讀取原始數(shù)據(jù)的形狀找到最大樣本量邊界，這可以用來作為循環(huán)的終止條件之一；接著通過最大樣本量除抽樣樣本量得到抽樣間距；建立一個(gè)空列表用于存儲(chǔ)最終抽樣結(jié)果數(shù)據(jù)，通過一個(gè)變量i做循環(huán)增長并用來做索引遞增，然后進(jìn)入抽樣條件判斷過程。
當(dāng)樣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)時(shí)做處理，這里需要注意的是索引從0開始，因此最大數(shù)量值減去1得到循環(huán)邊界，否則會(huì)報(bào)索引溢出錯(cuò)誤。
通過列表的append方法不斷追加通過間距得到的新增樣本，在本節(jié)后面的方法中還會(huì)提到列表追加的extend方法，前者用于每次追加1個(gè)元素，后者用于批量追加多個(gè)元素。
i += 1指的是每次循環(huán)都增加1，可以寫成i = i + 1。
最后打印輸出前2條數(shù)據(jù)和抽樣樣本量。
返回結(jié)果如下：
[array([-3.08057779, 8.09020329, 2.02732982, 2.92353937, -6.06318211]), array([-2.11984871, 7.74916701, 5.7318711 , 4.75148273, -5.68598747])]
2000
第4部分：實(shí)現(xiàn)分層抽樣
data2 = np.loadtxt('data2.txt') # 導(dǎo)入帶有分層邏輯的數(shù)據(jù)
each_sample_count = 200 # 定義每個(gè)分層的抽樣數(shù)量
label_data_unique = np.unique(data2[:, -1]) # 定義分層值域
sample_data = [] # 定義空列表，用于存放最終抽樣數(shù)據(jù)
sample_dict = {} # 定義空字典，用來顯示各分層樣本數(shù)量
for label_data in label_data_unique: # 遍歷每個(gè)分層標(biāo)簽
sample_list = [] # 定義空列表，用于存放臨時(shí)分層數(shù)據(jù)
for data_tmp in data2: # 讀取每條數(shù)據(jù)
if data_tmp[-1] == label_data: # 如果數(shù)據(jù)最后一列等于標(biāo)簽
sample_list.append(data_tmp) # 將數(shù)據(jù)加入分層數(shù)據(jù)中
each_sample_data = random.sample(sample_list, each_sample_count)
# 對(duì)每層數(shù)據(jù)都隨機(jī)抽樣
sample_data.extend(each_sample_data) # 將抽樣數(shù)據(jù)追加到總體樣本集
sample_dict[label_data] = len(each_sample_data) # 樣本集統(tǒng)計(jì)結(jié)果
print(sample_dict) # 打印輸出樣本集統(tǒng)計(jì)結(jié)果
首先使用Numpy的loadtxt方法導(dǎo)入帶有分層邏輯的數(shù)據(jù)。在該示例中，讀取的數(shù)據(jù)文件中包含了分類標(biāo)簽，放在最后一列。該列分類標(biāo)簽用于做分層抽樣的標(biāo)識(shí)。接著通過unique方法獲取分層（分類標(biāo)簽）的值域，用于后續(xù)做循環(huán)處理。然后分別定義了用于存放臨時(shí)分層數(shù)據(jù)、最終抽樣數(shù)據(jù)、顯示各分層樣本數(shù)量的空列表和空字典。
下面進(jìn)入正式的主循環(huán)過程，實(shí)現(xiàn)分層抽樣：
遍歷每個(gè)分層標(biāo)簽，用來做數(shù)據(jù)的分層劃分，數(shù)據(jù)一共分為2類標(biāo)簽（0和1）。
讀取每條數(shù)據(jù)并判斷數(shù)據(jù)的分層標(biāo)簽是否與分層標(biāo)簽相同，如果是則將數(shù)據(jù)加入各分層數(shù)據(jù)列表中。
當(dāng)每個(gè)分層標(biāo)簽處理完成后會(huì)得到該分層標(biāo)簽下的所有數(shù)據(jù)，此時(shí)使用Python內(nèi)置的random庫的sample方法進(jìn)行抽樣。由于抽樣結(jié)果是一個(gè)列表，因此這里使用extend（而不是append）批量追加到最終抽樣數(shù)據(jù)列表中。然后將每個(gè)分層標(biāo)簽得到的樣本數(shù)量，通過len方法對(duì)列表長度進(jìn)行統(tǒng)計(jì)，并打印輸出各個(gè)分層對(duì)應(yīng)的樣本數(shù)量。結(jié)果是每個(gè)分層都按照指定數(shù)量抽取樣本，輸出如下：
{0.0: 200, 1.0: 200}
第5部分：實(shí)現(xiàn)整群抽樣
data3 = np.loadtxt('data4.txt') # 導(dǎo)入已經(jīng)劃分好整群的數(shù)據(jù)集
label_data_unique = np.unique(data3[:, -1]) # 定義整群標(biāo)簽值域
print(label_data_unique) # 打印輸出所有整群標(biāo)簽
sample_label = random.sample(set(label_data_unique), 2) # 隨機(jī)抽取2個(gè)整群
sample_data = [] # 定義空列表，用來存儲(chǔ)最終抽樣數(shù)據(jù)
for each_label in sample_label: # 遍歷每個(gè)整群標(biāo)簽值域
for data_tmp in data3: # 遍歷每個(gè)樣本
if data_tmp[-1] == each_label: # 判斷樣本是否屬于抽樣整群
sample_data.append(data_tmp) # 樣本添加到最終抽樣數(shù)據(jù)集
print(sample_label) # 打印輸出樣本整群標(biāo)簽
print(len(sample_data)) # 打印輸出總抽樣數(shù)據(jù)記錄條數(shù)
首先使用Numpy的loadtxt方法導(dǎo)入已經(jīng)劃分好整群的數(shù)據(jù)集。在該示例中，讀取的數(shù)據(jù)文件中的最后一列存放了不同整群的標(biāo)識(shí)，整群一共被劃分為4個(gè)群組，標(biāo)識(shí)分別為0、1、2、3。接著通過unique方法獲取整群標(biāo)簽的值域，用于基于整群的抽樣。打印輸出結(jié)果如下：
[ 0. 1. 2. 3.]
然后使用Random的sample方法從整群標(biāo)簽中進(jìn)行抽樣，這里定義抽取2個(gè)整群。最后將所有屬于抽取到的整群下的數(shù)據(jù)進(jìn)行讀取和追加，并得到最終樣本集，打印輸出樣本集的整群標(biāo)簽和總樣本數(shù)量，結(jié)果如下：
[3.0, 1.0]
502
由于是隨機(jī)概率抽樣，因此讀者使用代碼抽取到的樣本很可能與筆者示例不一致，這屬于正?，F(xiàn)象。另外，讀者多次隨機(jī)抽樣程序也可能得到不一樣的結(jié)果。
上述過程中，需要考慮的關(guān)鍵點(diǎn)是：如何根據(jù)不同的數(shù)據(jù)特點(diǎn)、建模需求、業(yè)務(wù)背景綜合考慮抽樣方法，得到最適合的結(jié)果
代碼實(shí)操小結(jié)：本節(jié)示例中，主要用了幾個(gè)知識(shí)點(diǎn)：
使用Numpy的loadtxt方法讀取數(shù)據(jù)文件。
使用內(nèi)置標(biāo)準(zhǔn)庫Random庫中的sample方法做數(shù)據(jù)抽樣。
對(duì)列表通過索引做截取、通過len方法做長度統(tǒng)計(jì)、通過append和extend做追加等操作。
字典賦值操作。
使用Numpy的unique方法獲得唯一值。
通過for和while循環(huán)，遍歷一個(gè)可迭代的對(duì)象。
if條件語句的使用，尤其是單條件和多條件判斷。
聯(lián)系客服
