Python 中的随机抽样
本节总结了你在 Python 中进行随机抽样所学到的方法，并介绍一种新方法。
回顾：从表格中的总体抽样
如果你是从个体数据表示在表格行中的总体中进行抽样，那么你可以使用 Table 方法 sample 来 随机选择表格的行。也就是说，你可以使用 sample 来选择一个个体的随机样本。
默认情况下，sample 以随机放回的方式进行均匀抽样。这是诸如掷骰子等随机实验的自然模型。
from datascience import *
path_data = '../../../assets/data/'
import matplotlib
matplotlib.use('Agg')
%matplotlib inline
import matplotlib.pyplot as plots
plots.style.use('fivethirtyeight')
import numpy as npfaces = np.arange(1, 7)
die = Table().with_columns('Face', faces)
dieFace
1
2
3
4
5
6运行下面的单元格以模拟 7 次掷骰子。
die.sample(7)Face
5
3
3
5
5
1
6有时更自然的方式是随机不放回地抽样个体。这称为简单随机样本。参数 with_replacement=False 允许你这样做。
actors = Table.read_table(path_data + 'actors.csv')
actorsActor | Total Gross | Number of Movies | Average per Movie | #1 Movie | Gross
Harrison Ford | 4871.7 | 41 | 118.8 | Star Wars: The Force Awakens | 936.7
Samuel L. Jackson | 4772.8 | 69 | 69.2 | The Avengers | 623.4
Morgan Freeman | 4468.3 | 61 | 73.3 | The Dark Knight | 534.9
Tom Hanks | 4340.8 | 44 | 98.7 | Toy Story 3 | 415
Robert Downey, Jr. | 3947.3 | 53 | 74.5 | The Avengers | 623.4
Eddie Murphy | 3810.4 | 38 | 100.3 | Shrek 2 | 441.2
Tom Cruise | 3587.2 | 36 | 99.6 | War of the Worlds | 234.3
Johnny Depp | 3368.6 | 45 | 74.9 | Dead Man's Chest | 423.3
Michael Caine | 3351.5 | 58 | 57.8 | The Dark Knight | 534.9
Scarlett Johansson | 3341.2 | 37 | 90.3 | The Avengers | 623.4
... (40 rows omitted)# Simple random sample of 5 rows
actors.sample(5, with_replacement=False)Actor | Total Gross | Number of Movies | Average per Movie | #1 Movie | Gross
Morgan Freeman | 4468.3 | 61 | 73.3 | The Dark Knight | 534.9
Orlando Bloom | 2815.8 | 17 | 165.6 | Dead Man's Chest | 423.3
Cameron Diaz | 3031.7 | 34 | 89.2 | Shrek 2 | 441.2
Michael Caine | 3351.5 | 58 | 57.8 | The Dark Knight | 534.9
Leonardo DiCaprio | 2518.3 | 25 | 100.7 | Titanic | 658.7由于 sample 以行被选择的顺序给出整个样本，你可以在抽样表格上使用 Table 方法来回答关于样本的许多问题。例如，你可以找到骰子显示六点的次数，或抽样演员出演的平均电影数量，或两个指定演员是否出现在样本中。你可能需要多行代码来获取某些此类信息。
回顾：从数组中的总体抽样
如果你是从数据表示为数组的总体中进行抽样，你可以使用 NumPy 函数 np.random.choice 来 随机选择数组的元素。
默认情况下，np.random.choice 以随机放回的方式抽样。
# The faces of a die, as an array
facesarray([1, 2, 3, 4, 5, 6])# 7 rolls of the die
np.random.choice(faces, 7)array([4, 1, 6, 3, 5, 4, 6])参数 replace=False 允许你获得简单随机样本，即随机无放回地抽取的样本。
# Array of actor names
actor_names = actors.column('Actor')# Simple random sample of 5 actor names
np.random.choice(actor_names, 5, replace=False)array(['Jonah Hill', 'Julia Roberts', 'Bruce Willis', 'Eddie Murphy',
'Matt Damon'], dtype='<U22')与 sample 一样，np.random.choice 也给出被抽样元素的整个序列。你可以使用数组操作来回答关于样本的许多问题。例如，你可以找出哪个演员是第二个被抽取的，或者骰子哪个面出现超过一次。某些答案可能需要多行代码。
从分类分布中抽样
有时我们关注的是抽样个体的分类属性。例如，我们可能观察硬币是正面还是反面朝上。或者我们可能对随机选择的选民的政策偏好感兴趣。
在这种情况下，我们经常需要不同类别中抽样选民的比例。如果我们有整个样本，我们可以计算这些比例。datascience 库中的 sample_proportions 函数为我们完成了这项工作。它专门用于从分类分布中随机放回地抽样，并返回每个类别中抽样元素的比例。
sample_proportions 函数接受两个参数：
- 样本大小
- 总体中类别的分布，作为比例列表或数组，其和为 1
它返回一个数组，包含从总体中抽取的给定大小的随机样本中各类别的分布。该数组由所有不同类别中的样本比例组成，顺序与它们在总体分布中出现的顺序相同。
例如，假设某个植物物种的每株植物开红花的概率为 25%，开粉花的概率为 50%，开白花的概率为 25%，且与其他植物的花色无关。你可以使用 sample_proportions 来查看该物种 300 株植物中不同颜色的比例。
# Species distribution of flower colors:
# Proportions are in the order Red, Pink, White
species_proportions = [0.25, 0.5, .25]
sample_size = 300
# Distribution of sample
sample_distribution = sample_proportions(sample_size, species_proportions)
sample_distributionarray([0.24333333, 0.50333333, 0.25333333])正如你所预期的，样本中的比例之和为 1。
sum(sample_distribution)1.0species_proportions 中的类别顺序为红花、粉花、白花。sample_proportions 保留该顺序。如果你只想要样本中开粉花植物的比例，你可以使用 item：
# Sample proportion of Heads
sample_distribution.item(1)0.5033333333333333你可以使用 sample_proportions 和数组操作仅基于样本个体在不同类别中的比例来回答问题。你将无法回答需要关于样本更详细信息的问题，例如哪些抽样植物具有每种不同的颜色。