Python分层抽样与随机抽样教程

在Python数据分析中，数据采样是至关重要的步骤。本文深入解析了两种常用的抽样方法：Python分层抽样与随机抽样，并通过实例展示了如何在Pandas和Scikit-learn中实现它们。随机抽样适合于数据分布均匀的场景，利用Pandas的`sample()`函数即可轻松实现，可以按比例或数量抽取样本，并划分训练集和测试集。而分层抽样则更适用于处理类别不平衡或需要保留原始数据分布特征的情况，可以通过Scikit-learn的`train_test_split`函数设置`stratify`参数，或结合`groupby`和`sample`函数手动实现。选择合适的抽样方法需综合考虑数据均衡性、目标变量类型以及数据量大小等因素，同时务必设置`random_state`以保证结果的可重复性，并在抽样后验证样本比例的合理性，确保为后续分析奠定坚实基础。

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。

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。

本篇关于《Python分层抽样与随机抽样教程》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于文章的相关知识，请关注golang学习网公众号！