当前位置:

首页 > 编程开发 > 怎么在Python中实现数据的随机抽样_利用sample函数进行分层抽样

怎么在Python中实现数据的随机抽样_利用sample函数进行分层抽样

随机抽样是基础操作,但random.sample()不支持分层抽样。分层抽样的正确逻辑是:先按关键字段分组,再在各组内分别抽样,最后合并样本。使用pandas时,可通过groupby结合sample实现,需注意参数设置和样本量检查。若为机器学习划分数据集,sklearn的train_test_split可直接进行分层划分。实现前需明确分层依据、抽样方式及各层

本文目录

    在数据处理中,随机抽样是个基础操作,但“分层抽样”却常常让人误入歧途。很多人第一反应是去找一个叫“分层抽样”的函数,结果发现Python内置的random.sample()并不支持。这其实是个典型的认知偏差:我们混淆了“功能需求”和“实现方法”。

    怎么在Python中实现数据的随机抽样_利用sample函数进行分层抽样

    sample函数本身不支持分层抽样

    必须明确一点:random.sample()是一个纯粹的简单随机抽样工具。它处理的是一个扁平的序列,比如一个列表或元组,然后从中无差别地抽取指定数量的元素。它不具备识别数据内部结构(比如类别、分组)的能力。如果你把不同类别的数据混在一起丢给它,它只会一视同仁地随机抓取,最终结果很可能导致某些类别被严重过采样或欠采样,甚至完全漏掉。这并非函数本身的缺陷,而是方法选错了。

    分层抽样的正确逻辑链条是清晰的:

    • 首先,必须依据某个关键字段(例如“部门”、“产品类别”、“用户标签”)将数据分成不同的组。
    • 然后,在每个独立的组内,分别进行随机抽样,可以控制固定数量或按比例抽取。
    • 最后,将各个组抽出的样本合并起来,形成最终的分层样本集。

    pandas DataFrame中用groupby + sample实现分层抽样

    对于结构化数据,最直观高效的方法是使用pandas。假设你有一个DataFramedf,其中“group”列是你的分层依据。

    import pandas as pd
    # 按 group 列分层,每组抽 5 行
    stratified_sample = df.groupby("group", group_keys=False).apply(lambda x: x.sample(5))
    # 或按比例抽(比如每组抽 20%)
    stratified_sample = df.groupby("group", group_keys=False).apply(lambda x: x.sample(frac=0.2))

    这里有三个关键细节需要注意:

    • group_keys=False这个参数至关重要。如果设为True(默认),结果的多级索引里会包含分组键,给后续处理平添麻烦。
    • frac(比例)和n(固定数量)不能同时指定。使用frac时要注意,pandas会将其转换为整数(向下取整)。如果某组数据量很少,比如只有3行,设置frac=0.1意味着要抽0.3行,取整后为0,程序就会报错ValueError: Cannot take a larger sample than population when 'replace=False'。
    • 默认情况下,sample是不放回抽样。如果某组的行数少于你指定的抽样数量,同样会触发上述错误。虽然可以设置replace=True启用有放回抽样,但这通常不符合分层抽样的初衷。稳妥的做法是先用df["group"].value_counts()检查一下各层的基数。

    用scikit-learn的train_test_split做带分层的划分

    如果你的目标非常明确,就是为了划分机器学习中的训练集和测试集,并且希望保持类别比例一致,那么sklearn的train_test_split函数提供了更直接的方案。

    from sklearn.model_selection import train_test_split
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, 
        test_size=0.3, 
        stratify=y,  # 关键参数:根据y进行分层划分
        random_state=42
    )

    这个方法底层自动完成了分层逻辑,能确保训练集和测试集中各类别的比例与原始数据集基本一致。但它主要服务于建模流程,输出的是特征矩阵和标签数组,不保留原始的DataFrame索引和结构。因此,它不适合需要自定义每层样本数量或需要保留完整行信息的场景。

    使用时需留意:

    • stratify参数需要传入一个一维数组(如标签列y),其长度必须与特征数据X的行数一致。
    • 如果某个类别的样本数极少,而划分比例又可能导致该类别在某个子集中数量为0,函数会报错ValueError: The least populated class in y has only 1 member。这时需要考虑合并稀有类别或调整采样策略。

    手动分组+sample时容易忽略的索引问题

    使用groupby().apply(sample)得到的结果,默认会保留原始数据的索引。这在需要回溯原始记录时是优点,但如果你将结果作为一个独立的新数据集进行后续操作,可能会遇到重复索引或排序混乱的问题。

    • 一个简单的处理方法是抽样后立即重置索引:stratified_sample.reset_index(drop=True)。
    • 但如果原始索引本身具有业务含义(如订单ID、时间戳),则不应重置,而应显式地将索引作为一列数据保存下来。
    • 还有一个更隐蔽的情况:在某些pandas版本中,如果某个分组为空,或者sample操作意外返回了一个空的DataFrame,整个apply过程可能会失败或返回异常结果。建议在分组前检查并过滤掉空组,或者在apply函数内增加容错判断。

    说到底,分层抽样的技术实现并不复杂,真正的难点在于前期的业务逻辑梳理:依据哪一列来分层?每层是抽取固定数量还是按比例抽取?是否允许某些层因为数据量太少而抽样失败?把这些想清楚了,代码无非就是用groupby还是train_test_split的选择题罢了。核心永远是先理解数据,再操作数据。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    编程开发 Python
    相关文章 更多
    python删除一个列表里的重复元素的方法与代码示例
    python删除一个列表里的重复元素的方法与代码示例

    学习如何使用Python高效删除列表中的重复元素。本文提供5种常见方法的代码示例,涵盖保持顺序与不保持顺序的场景,适合初学者和进阶开发者参考。

    Python写接口的步骤及完整代码示例
    Python写接口的步骤及完整代码示例

    详细讲解使用Python编写Web接口的核心步骤与完整代码示例,涵盖环境准备、路由定义、数据校验、服务启动及调试测试方法。

    codex怎么读取word文档及docx文件操作教程
    codex怎么读取word文档及docx文件操作教程

    介绍如何利用编程工具读取和解析Word文档(docx格式),涵盖基础文本提取代码示例、结构化数据处理逻辑,以及处理复杂排版时的技术局限与替代方案。

    怎么在Python中调用C语言代码提升性能
    怎么在Python中调用C语言代码提升性能

    详细讲解在Python中调用C语言代码提升性能的完整实践指南,包含原理分析、编译步骤、ctypes与CFFI具体实现、性能对比及常见陷阱。

    Python与C语言的性能差异及底层原理
    Python与C语言的性能差异及底层原理

    深入解析Python与C语言在执行效率上的数量级差异,从编译机制、变量内存布局、动态类型推断到GIL锁,系统阐明底层核心原理。

    Python和C语言哪个更适合编程入门
    Python和C语言哪个更适合编程入门

    客观对比Python与C语言在心智负担、底层机制与学习反馈上的核心差异,提供清晰有据的选择标准与切实的入门学习路径。

    selenium上传文件教程本地文件路径设置方法
    selenium上传文件教程本地文件路径设置方法

    深入解析Selenium处理文件上传的技术细节,涵盖标准HTML控件的路径直接注入法与非标准控件的系统级模拟方案,提供Windows与Linux环境下的路径设置最佳实践及常见异常排查。

    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景
    大数据开发语言选型:Java对比Scala与Python的优缺点及适用场景

    针对大数据工程场景,系统对比Java、Scala与Python在执行性能、生态结合、开发效率和维护成本上的核心差异,给出清晰的架构选型依据与落地方案。

    langgraph python guide中文入门教程详解
    langgraph python guide中文入门教程详解

    本篇LangGraph Python中文入门教程详解,系统梳理StateGraph状态机定义、节点编写、边与条件路由、检查点持久化(MemorySaver)等核心机制,提供从环境安装到完整循环智能体构建的代码示例与实操指导。

    Windows 安装 Python:从官方入口到虚拟环境的可复现实践
    Windows 安装 Python:从官方入口到虚拟环境的可复现实践

    面向后端开发者,基于 Python 官方文档说明如何在 Windows 上安装 Python、创建 venv 虚拟环境及使用 pip 管理依赖。包含可复制命令、验证方法及工具选择边界,避免常见配置误区。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。