数据科学家需要了解哪几种采样方法？

笔者按，采样问题是数据科学中的常见问题，对此，WalmartLabs 的数据科学家 Rahul Agarwal 分享了数据科学家需要了解的 5 种采样方法，雷锋网 AI 科技评论编译整理如下。

数据科学实际上是就是研究算法。

我每天都在努力学习许多算法，所以我想列出一些最常见和最常用的算法。

本文介绍了在处理数据时可以使用的一些最常见的采样技术。

简单随机抽样

假设您要选择一个群体的子集，其中该子集的每个成员被选择的概率都相等。

下面我们从一个数据集中选择 100 个采样点。

1. sample_df = df.sample(100) 

分层采样

假设我们需要估计选举中每个候选人的平均票数。现假设该国有 3 个城镇：

• A 镇有 100 万工人，
• B 镇有 200 万工人，以及
• C 镇有 300 万退休人员。

我们可以选择在整个人口中随机抽取一个 60 大小的样本，但在这些城镇中，随机样本可能不太平衡，因此会产生偏差，导致估计误差很大。

相反，如果我们选择从 A、B 和 C 镇分别抽取 10、20 和 30 个随机样本，那么我们可以在总样本大小相同的情况下，产生较小的估计误差。

使用 Python 可以很容易地做到这一点：

1. from sklearn.model_selection import train_test_split  
2. X_train, X_test, y_train, y_test = train_test_split(X, y,  
3. stratify=y,  
4. test_size=0.25) 

水塘采样

我喜欢这个问题陈述：

• 假设您有一个项目流，它长度较大且未知以至于我们只能迭代一次。

创建一个算法，从这个流中随机选择一个项目，这样每个项目都有相同的可能被选中。

我们怎么能做到这一点?

假设我们必须从无限大的流中抽取 5 个对象，且每个元素被选中的概率都相等。

1. import randomdef generator(max):  
2. number = 1  
3. while number < max:  
4. number += 1  
5. yield number# Create as stream generator  
6. stream = generator(10000)# Doing Reservoir Sampling from the stream  
7. k=5  
8. reservoir = []  
9. for i, element in enumerate(stream):  
10. if i+1<= k:  
11. reservoir.append(element)  
12. else:  
13. probability = k/(i+1)  
14. if random.random() < probability:  
15. # Select item in stream and remove one of the k items already selected  
16. reservoir[random.choice(range(0,k))] = elementprint(reservoir)  
17. ------------------------------------  
18. [1369, 4108, 9986, 828, 5589] 

从数学上可以证明，在样本中，流中每个元素被选中的概率相同。这是为什么呢?

当涉及到数学问题时，从一个小问题开始思考总是有帮助的。

所以，让我们考虑一个只有 3 个项目的流，我们必须保留其中 2 个。

当我们看到第一个项目，我们把它放在清单上，因为我们的水塘有空间。在我们看到第二个项目时，我们把它放在列表中，因为我们的水塘还是有空间。

现在我们看到第三个项目。这里是事情开始变得有趣的地方。我们有 2/3 的概率将第三个项目放在清单中。

现在让我们看看第一个项目被选中的概率：

移除第一个项目的概率是项目 3 被选中的概率乘以项目 1 被随机选为水塘中 2 个要素的替代候选的概率。这个概率是：

• 2/3*1/2 = 1/3

因此，选择项目 1 的概率为：

• 1–1/3=2/3

我们可以对第二个项目使用完全相同的参数，并且可以将其扩展到多个项目。

因此，每个项目被选中的概率相同：2/3 或者用一般的公式表示为 K/N

随机欠采样和过采样

我们经常会遇到不平衡的数据集。

一种广泛采用的处理高度不平衡数据集的技术称为重采样。它包括从多数类(欠采样)中删除样本或向少数类(过采样)中添加更多示例。

让我们先创建一些不平衡数据示例。

1. from sklearn.datasets import make_classificationX, y = make_classification(  
2. n_classes=2, class_sep=1.5, weights=[0.9, 0.1],  
3. n_informative=3, n_redundant=1, flip_y=0,  
4. n_features=20, n_clusters_per_class=1,  
5. n_samples=100, random_state=10  
6. )X = pd.DataFrame(X)  
7. X['target'] = y 

我们现在可以使用以下方法进行随机过采样和欠采样：

1. num_0 = len(X[X['target']==0])  
2. num_1 = len(X[X['target']==1])  
3. print(num_0,num_1)# random undersampleundersampled_data = pd.concat([ X[X['target']==0].sample(num_1) , X[X['target']==1] ])  
4. print(len(undersampled_data))# random oversampleoversampled_data = pd.concat([ X[X['target']==0] , X[X['target']==1].sample(num_0, replace=True) ])  
5. print(len(oversampled_data))------------------------------------------------------------  
6. OUTPUT:  
7. 90 10  
8. 20  
9. 180 

使用 imbalanced-learn 进行欠采样和过采样

imbalanced-learn(imblearn)是一个用于解决不平衡数据集问题的 python 包，它提供了多种方法来进行欠采样和过采样。

a. 使用 Tomek Links 进行欠采样：

imbalanced-learn 提供的一种方法叫做 Tomek Links。Tomek Links 是邻近的两个相反类的例子。

在这个算法中，我们最终从 Tomek Links 中删除了大多数元素，这为分类器提供了一个更好的决策边界。

1. from imblearn.under_sampling import TomekLinks  
2. tl = TomekLinks(return_indices=True, ratio='majority')  
3. X_tl, y_tl, id_tl = tl.fit_sample(X, y) 

b. 使用 SMOTE 进行过采样：

在 SMOE(Synthetic Minority Oversampling Technique)中，我们在现有元素附近合并少数类的元素。

1. from imblearn.over_sampling import SMOTE  
2. smote = SMOTE(ratio='minority')  
3. X_sm, y_sm = smote.fit_sample(X, y) 

imbLearn 包中还有许多其他方法，可以用于欠采样(Cluster CentroIDS, NearMiss 等)和过采样(ADASYN 和 bSMOTE)。

结论

算法是数据科学的生命线。

抽样是数据科学中的一个重要课题，但我们实际上并没有讨论得足够多。

有时，一个好的抽样策略会大大推进项目的进展。错误的抽样策略可能会给我们带来错误的结果。因此，在选择抽样策略时应该小心。

如果你想了解更多有关数据科学的知识，我想把 Andrew Ng 的这门优秀课程推荐给你，这个课程是我入门数据科学的法宝，你一定要去看看。