Python中如何实现数据采样—分层抽样与随机抽样实例

随机抽样使用pandas的sample()函数实现，适合分布均匀的数据；分层抽样通过scikit-learn的train_test_split或groupby加sample实现，保留原始分布；选择方法需考虑数据均衡性、目标变量和数据量大小。1. 随机抽样用df.sample(frac=比例或n=数量)并可划分训练集和测试集；2. 分层抽样使用train_test_split时设置stratify=y，或对dataframe按标签分组后抽样；3. 选择策略包括判断类别均衡性、是否存在分类目标变量及数据量是否足够大，同时注意设置random_state确保结果可复现并验证抽样后的比例合理性。

在Python中实现数据采样，尤其是分层抽样和随机抽样，是数据分析、建模前处理阶段非常常见的操作。这两种方法各有适用场景：随机抽样适合样本分布均匀的情况，而分层抽样则更适用于类别不平衡或需要保留原始分布特征的场景。

下面我们就来看怎么在实际中使用这两种方法。

一、随机抽样的实现方式

随机抽样就是从整体数据中按照一定比例或数量随机抽取样本，常用于数据量大、类别分布比较均衡的情况下。它操作简单，效率高。

立即学习“Python免费学习笔记（深入）”；

在Pandas中，可以使用sample()函数来完成：

import pandas as pd

# 假设df是你的数据框
random_sample = df.sample(frac=0.2, random_state=42)  # 抽取20%的数据

• frac参数控制比例，如果是固定数量，可以用n=100
• random_state是为了保证每次运行结果一致

如果你希望把原数据分为训练集和测试集，也可以用这个方法分别取样：

train = df.sample(frac=0.8, random_state=42)
test = df.drop(train.index)

这种方式虽然简单，但不考虑数据分布，有可能导致某些类别样本被遗漏。

二、分层抽样的做法与技巧

当你的数据集中某些类别的样本特别少，或者你希望保持样本的比例结构时，就要用到分层抽样（Stratified Sampling）。

举个例子，假设你有一个分类变量label，里面有类别A、B、C，占比分别为70%、20%、10%。你希望抽样后的样本也保持这个比例。

一种常用的方法是使用Scikit-learn中的train_test_split函数，并设置stratify参数：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, stratify=y, random_state=42
)

• 这里的stratify=y表示按照y的分布进行分层
• 适用于分类任务，特别是类别不平衡时

如果你只是想单独对一个DataFrame做分层抽样，可以借助groupby加sample的方式手动实现：

stratified_sample = df.groupby('label').sample(frac=0.2, random_state=42)

这样每个类都会按比例抽取，保留了原始分布。

三、两种方法的选择建议

面对“选哪种抽样方法”的问题，可以从以下几个角度判断：

• 数据是否类别均衡？如果差距很大，优先考虑分层抽样
• 是否有明确的目标变量？如果有，且是分类任务，分层抽样更适合
• 数据量是否足够大？小数据下随机抽样容易失真，建议分层

此外，还要注意：

• 使用random_state保证结果可复现
• 抽样后检查各类别比例是否合理
• 分层抽样一般只能针对单一标签列，多个变量可能需要其他策略

基本上就这些。两种方法都不复杂，但在实际应用中很容易忽略细节，比如分布偏移、样本代表性等。根据具体任务选择合适的抽样策略，能为后续分析打下一个好基础。

以上就是Python中如何实现数据采样—分层抽样与随机抽样实例的详细内容，更多请关注php中文网其它相关文章！