何為資料抽樣：

抽樣是資料處理的一種基本方法，常常伴隨著計算資源不足、獲取全部資料困難、時效性要求等情況使用。

抽樣方法：

一般有四種方法：

• 隨機抽樣 直接從整體資料中等概率抽取n個樣本。這種方法優勢是，簡單、好操作、適用於分佈均勻的場景；缺點是總體大時無法一一編號
• 系統抽樣 又稱機械、等距抽樣，將總體中個體按順序進行編號，然後計算出間隔，再按照抽樣間隔抽取個體。優勢,易於理解、簡便易行。缺點是，如有明顯分佈規律時容易產生偏差。
• 群體抽樣 總體分群，在隨機抽取幾個小群代表總體。優點是簡單易行、便與組織；缺點是群體劃分容易造成誤差
• 分層抽樣 先按照觀察指標影響較大的某一種特徵，將總體分若干個類別，再從每一層隨機抽取一定數量的單位合併成總體。優點樣本代表性好，少誤差

以上四種基本抽樣方法都屬單階段抽樣，實際應用中常根據實際情況將整個抽樣過程分為若干階段來進行，稱為多階段抽樣。
各種抽樣方法的抽樣誤差一般是：整群抽樣≥單純隨機抽樣≥系統抽樣≥分層抽樣

python程式碼實現

import random
import numpy as np
import pandas as pd

# 匯入資料
df = pd.read_csv('https://raw.githubusercontent.com/ffzs/dataset/master/glass.csv')

df.index.size
# 214

##########隨機抽樣##########
 

#
# 使用pandas
# DataFrame.sample(n=None, frac=None, replace=False, weights=None, random_state=None, axis=None)
# n是要抽取的行數。（例如n=20000時，抽取其中的2W行）
# frac是抽取的比列。（有一些時候，我們並對具體抽取的行數不關係，我們想抽取其中的百分比，這個時候就可以選擇使用frac，例如frac=0.8，就是抽取其中80%）
# replace：是否為有放回抽樣，取replace=True時為有放回抽樣。
# weights這個是每個樣本的權重，具體可以看官方文件說明。
# random_state這個在之前的文章已經介紹過了。
 

# axis是選擇抽取資料的行還是列。axis=0的時是抽取行，axis=1時是抽取列（也就是說axis=1時，在列中隨機抽取n列，在axis=0時，在行中隨機抽取n行）

df_0 = df.sample(n=20, replace=True)
df_0.index.size
# 20

# 資料準備
data = df.values
# 使用random
data_sample = random.sample(list(data), 20)
len(data_sample)
# 20

##########等距抽樣##########
# 指定抽樣數量
sample_count = 50
# 獲取最大樣本量
record_count = data.shape[0]
# 抽樣間距
width = record_count//sample_count
data_sample = []
i = 0
# 本量小於等於指定抽樣數量並且矩陣索引在有效範圍內是
while len(data_sample) <= sample_count and i * width <= record_count -1:
    data_sample.append(data[i*width])
    i += 1
len(data_sample)
# 51

##########分層抽樣##########
# 資料只是隨便找的分層僅限於演示
# 定義每個分層的抽樣數量
each_sample_count = 6
# 定義分層值域
label_data_unique = np.unique(data[:, -1])
# 定義一些資料
sample_list, sample_data, sample_dict = [], [], {}
# 遍歷每個分層標籤
for label_data in label_data_unique:
    for data_tmp in data:  # 讀取每條資料
        if data_tmp[-1] == label_data:
            sample_list.append(data_tmp)
    # 對每層資料都資料抽樣
    each_sample_data = random.sample(sample_list, each_sample_count)
    sample_data.extend(each_sample_data)
    sample_dict[label_data] = len(each_sample_data)
sample_dict
# {1.0: 6, 2.0: 6, 3.0: 6, 5.0: 6, 6.0: 6, 7.0: 6}

##########整群抽樣##########
# 資料分群僅限於演示，不符合實際情況
# 定義整群的標籤
label_data_unique = np.unique(data[:, -1])
# 隨機抽取2個群
sample_label = random.sample(list(label_data_unique), 2)
# 定義空列表
sample_data = []
# 遍歷每個整群標籤值域
for each_label in sample_label:
    for data_tmp in data:
        if data_tmp[-1] == each_label:
            sample_data.append(data_tmp)
len(sample_data)
# 83

需要注意的問題

資料抽樣過程中要注意一些問題

• 資料時效性 不能用過時的資料來分析現在的運營狀態
• 關鍵因素資料 整體資料的關鍵性資料必須要在模型中，如雙十一帶來的銷售增長
• 業務隨機性 抽樣資料要使各個場景的資料分佈均衡
• 資料來源多樣性 資料覆蓋要全面

抽樣資料量問題

• 時間分佈 能包含業務週期。月銷售預測，至少包含12個月資料；時間還要考慮季節、節假日、特定促銷日等週期性。
• 做預測分析 考慮特徵資料和特徵值域的分佈，通常資料記錄要同時是特徵數量和特徵值域的100倍以上。例如資料集有5個特徵值，每個特徵有2個值域，那麼資料記錄數需要至少1000（10052）條以上
• 做關聯規則分析 根據關聯前後項數量（每個前項或後項可包含多個要關聯的主體，例如品牌+商品+價格關聯），每個主體需要至少1000條資料。例如只做單品銷售關聯，那麼單品的銷售記錄需要在1000條以上；如果要同時做單品+品牌的關聯，那麼需要至少2000條資料。
• 異常檢測 無論是監督室還是非監督式建模，對於異常資料本來就是小概率分佈的，因此異常資料記錄一般越多越好。

參考：
《python資料分析與資料化運營》 宋天龍