大家好，今天來和大家聊聊抽樣的幾種常用方法，以及在Python中是如何實現的。

抽樣是統計學、機器學習中非常重要，也是經常用到的方法，因為大多時候使用全量數據是不現實的，或者根本無法取到。所以我們需要抽樣，比如在推斷性統計中，我們會經常通過采樣的樣本數據來推斷估計總體的樣本。

上面所說的都是以概率為基礎的，實際上還有一類非概率的抽樣方法，因此總體上歸納為兩大種類：

概率抽樣：根據概率理論選擇樣本，每個樣本有相同的概率被選中。

非概率抽樣：根據非隨機的標準選擇樣本，并不是每個樣本都有機會被選中。

概率抽樣技術1.隨機抽樣（Random Sampling）

這也是最簡單暴力的一種抽樣了，就是直接隨機抽取，不考慮任何因素，完全看概率。并且在隨機抽樣下，總體中的每條樣本被選中的概率相等。

比如，現有10000條樣本，且各自有序號對應的，假如抽樣數量為1000，那我就直接從1-10000的數字中隨機抽取1000個，被選中序號所對應的樣本就被選出來了。

在Python中，我們可以用random函數隨機生成數字。下面就是從100個人中隨機選出5個。

import random

population = 100

data = range（population）

print（random.sample（data，5））

》 4， 19， 82， 45， 41

2.分層抽樣（Stratified Sampling）

分層抽樣其實也是隨機抽取，不過要加上一個前提條件了。在分層抽樣下，會根據一些共同屬性將帶抽樣樣本分組，然后從這些分組中單獨再隨機抽樣。

因此，可以說分層抽樣是更精細化的隨機抽樣，它要保持與總體群體中相同的比例。 比如，機器學習分類標簽中的類標簽0和1，比例為3:7，為保持原有比例，那就可以分層抽樣，按照每個分組單獨隨機抽樣。

Python中我們通過train_test_split設置stratify參數即可完成分層操作。

from sklearn.model_selection import train_test_split

stratified_sample， _ = train_test_split（population， test_size=0.9， stratify=population［［‘label’］］）

print （stratified_sample）

3.聚類抽樣（Cluster Sampling）

聚類抽樣，也叫整群抽樣。它的意思是，先將整個總體劃分為多個子群體，這些子群體中的每一個都具有與總體相似的特征。也就是說它不對個體進行抽樣，而是隨機選擇整個子群體。

用Python可以先給聚類的群體分配聚類ID，然后隨機抽取兩個子群體，再找到相對應的樣本值即可，如下。

import numpy as np

clusters=5

pop_size = 100

sample_clusters=2# 間隔為 20， 從 1 到 5 依次分配集群100個樣本的聚類 ID，這一步已經假設聚類完成

cluster_ids = np.repeat（［range（1，clusters+1）］， pop_size/clusters）

# 隨機選出兩個聚類的 ID

cluster_to_select = random.sample（set（cluster_ids）， sample_clusters）

# 提取聚類 ID 對應的樣本

indexes = ［i for i， x in enumerate（cluster_ids） if x in cluster_to_select］

# 提取樣本序號對應的樣本值

cluster_associated_elements = ［el for idx， el in enumerate（range（1， 101）） if idx in indexes］

print （cluster_associated_elements）

4.系統抽樣（Systematic Sampling）

系統抽樣是以預定的規則間隔（基本上是固定的和周期性的間隔）從總體中抽樣。比如，每 9 個元素抽取一下。一般來說，這種抽樣方法往往比普通隨機抽樣方法更有效。

下圖是按順序對每 9 個元素進行一次采樣，然后重復下去。

用Python實現的話可以直接在循環體中設置step即可。

population = 100

step = 5

sample = ［element for element in range（1， population， step）］

print （sample）

5.多級采樣（Multistage sampling）

在多階段采樣下，我們將多個采樣方法一個接一個地連接在一起。比如，在第一階段，可以使用聚類抽樣從總體中選擇集群，然后第二階段再進行隨機抽樣，從每個集群中選擇元素以形成最終集合。

Python代碼復用了上面聚類抽樣，只是在最后一步再進行隨機抽樣即可。

import numpy as np

clusters=5

pop_size = 100

sample_clusters=2

sample_size=5# 間隔為 20， 從 1 到 5 依次分配集群100個樣本的聚類 ID，這一步已經假設聚類完成

cluster_ids = np.repeat（［range（1，clusters+1）］， pop_size/clusters）

# 隨機選出兩個聚類的 ID

cluster_to_select = random.sample（set（cluster_ids）， sample_clusters）

# 提取聚類 ID 對應的樣本

indexes = ［i for i， x in enumerate（cluster_ids） if x in cluster_to_select］

# 提取樣本序號對應的樣本值

cluster_associated_elements = ［el for idx， el in enumerate（range（1， 101）） if idx in indexes］

# 再從聚類樣本里隨機抽取樣本print （random.sample（cluster_associated_elements， sample_size））

非概率抽樣技術非概率抽樣，毫無疑問就是不考慮概率的方式了，很多情況下是有條件的選擇。因此，對于無隨機性我們是無法通過統計概率和編程來實現的。這里也介紹3種方法。

1.簡單采樣（convenience sampling）

簡單采樣，其實就是研究人員只選擇最容易參與和最有機會參與研究的個體。比如下面的圖中，藍點是研究人員，橙色點則是藍色點附近最容易接近的人群。

2.自愿抽樣（Voluntary Sampling）

自愿抽樣下，感興趣的人通常通過填寫某種調查表格形式自行參與的。所以，這種情況中，調查的研究人員是沒有權利選擇任何個體的，全憑群體的自愿報名。比如下圖中藍點是研究人員，橙色的是自愿同意參與研究的個體。

3.雪球抽樣（Snowball Sampling）

雪球抽樣是說，最終集合是通過其他參與者選擇的，即研究人員要求其他已知聯系人尋找愿意參與研究的人。比如下圖中藍點是研究人員，橙色的是已知聯系人，黃色是是橙色點周圍的其它聯系人。

總結以上就是8種常用抽樣方法，平時工作中比較常用的還是概率類抽樣方法，因為沒有隨機性我們是無法通過統計學和編程完成自動化操作的。

比如在信貸的風控樣本設計時，就需要從樣本窗口通過概率進行抽樣。因為采樣的質量基本就決定了你模型的上限了，所以在抽樣時會考慮很多問題，如樣本數量、是否有顯著性、樣本穿越等等。在這時，一個良好的抽樣方法是至關重要的。

參考：

［2］ https://towardsdatascience.com/8-types-of-sampling-techniques-b21adcdd2124

編輯：jq