✅作者简介：在读博士，人工智能领域学习者，深耕机器学习，交叉学科实践者，前沿文章解读，提供科研小工具，分享科研经验，欢迎交流！📞联系博主：博文留言 or VX: boboangang 📙本文内容：介绍7种主要的采样方法，并给出python代码示例。
1.随机采样
python代码：
import randomsample = random.sample(population, k)
解读：
random.sample()函数从population中随机选择k个元素作为样本，返回一个列表。其中population可以是一个序列、集合或其他可迭代对象，k为采样数量。
2.等距采样
python代码
import numpy as npsample = np.linspace(start, stop, num)
解读：
numpy.linspace()函数返回一个等距的样本数组，其中start和stop分别为样本的起始值和结束值，num为采样数量。
3.分层采样
python代码
from sklearn.model_selection import train_test_splitX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, stratify=y)
解读：
sklearn.model_selection中的train_test_split()函数可以进行分层采样，其中test_size为测试集占比，stratify参数指定分层变量，即按照y的分布进行采样。
4.重采样
python代码
from sklearn.utils import resamplesample = resample(data, n_samples=n)
解读：
sklearn.utils中的resample()函数可以进行重采样，其中data为原始数据，n_samples为采样数量。
以上是常用的Python采样方法及其代码解读。
5.水塘采样(Reservoir sampling)
主要用于解决大数据流中的随机抽样问题，即：当内存有限，数据长度很大，甚至未知，那么如何从中随机选取k个数据，并且要求是等概率
水塘抽样的核心是，只遍历一次，每次都考虑一个问题：当前元素是否被选中，选中后替换之前选中的哪一个元素。
采样过程：集合中总元素个数为n，随机选取k个元素
step1.首先将前k个元素全部选取。
step2.对于第i个元素(i>k)，以概率k/i来决定是否保留该元素，如果保留该元素的话，则随机丢弃掉原有的k个元素中的一个(即原来某个元素被丢掉的概率是1/k)。
结果：每个元素被最终被选取的概率都是k/n。
python代码
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。
import randomdef generator(max): number = 1 while number < max: number += 1 yield number# Create as stream generatorstream = generator(10000)# Doing Reservoir Sampling from the streamk=5reservoir = []for i, element in enumerate(stream): if i+1<= k: reservoir.append(element) else: probability = k/(i+1) if random.random() < probability: # Select item in stream and remove one of the k items already selected reservoir[random.choice(range(0,k))] = elementprint(reservoir)------------------------------------[1369, 4108, 9986, 828, 5589]
另一种python代码
要随机选择K个元素，那么在遍历到第i个元素时，以k/i的概率选择该元素。
def reservoirSamplingk(arr, k): res = arr[:k] i = k while i < len(arr): # 以k/i的概率选取第i个元素，用来等概率的替换之前选中的1个元素 r = random.randint(0, i) if r < k: # 小于k的概率就是k/i，替换res中第r个已选中的数 res[r] = arr[i] i += 1 return res
6.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。这里只介绍部分算法，其他详细请见博文：
python代码
先创建一些不平衡数据示例。
from sklearn.datasets import make_classificationimport matplotlib.pyplot as pltfrom collections import Counter# 1.创建类别不平衡的数据集：# 使用make_classification生成样本数据X, y = make_classification(n_samples=5000, n_features=2, # 特征个数 = n_informative() + n_redundant + n_repeated n_informative=2, # 多信息特征的个数 n_redundant=0, # 冗余信息，informative特征的随机线性组合 n_repeated=0, # 重复信息，随机提取n_informative和n_redundant 特征 n_classes=3, # 分类类别 n_clusters_per_class=1, # 某一个类别是有几个cluster构成的 weights=[0.01, 0.05, 0.94], # 列表类型，权重比 random_state=0 )# 2.查看各个标签的样本：counter = Counter(y)print(counter) # Counter({2: 4674, 1: 262, 0: 64})# 3.数据集可视化：plt.scatter(X[:, 0], X[:, 1], c=y)plt.show()
# 4、过采样 # 4.1 随机过采样ros = RandomOverSampler(random_state=0)X_resampled, y_resampled = ros.fit_resample(X, y)counter_resampled = Counter(y_resampled)print(counter_resampled)plt.scatter(X_resampled[:, 0], X_resampled[:, 1], c=y_resampled)plt.show()
随机过采样的缺点：
（1）对于随机过采样，由于需要对少数类样本进行复制来扩大数据集，造成模型训练复杂度加大。
（2）另一方面也容易造成模型的过拟合问题，因为随机过采样是简单的对初始样本进行复制采样，这就使得学习器学得的规则过于具体化，不利于学习器的泛化性能，造成过拟合问题。
（3）为了解决随机过采样中造成模型过拟合问题，又能保证实现数据集均衡的目的，出现了过采样法代表性的算法SMOTE算法。
7.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。
7.1使用 Tomek Links 进行欠采样
如果两个样本点互为最近邻且分属于不同类别，则在它们之间形成Tomek’s link，通过参数sampling_strategy可以选择剔除的样本类别。
python代码
from imblearn.under_sampling import TomekLinkstl = TomekLinks(sampling_strategy='auto') # 移除多数类样本# tl = TomekLinks(sampling_strategy='all') # 多数类样本和少数类样本都移除X_res, y_res = tl.fit_resample(X, y)
7.2使用 SMOTE 进行过采样
Synthetic Minority Oversampling Technique (SMOTE)，通过插值来生成新样本，对于每个少数类样本计算其K个最近的少数类邻居，然后根据采样比率随机选择若干邻居，最后在少数类样本与邻居样本之间进行插值生成新样本。
from imblearn.over_sampling import SMOTEsm = SMOTE(random_state=42)X_res, y_res = sm.fit_resample(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）。
本篇到这里就结束了。想学习更多Python、人工智能、交叉学科相关知识，点击关注博主，带你从基础到进阶。若有需要提供科研指导、代码支持，资源获取或者付费咨询的伙伴们，可以添加博主个人联系方式！
码字不易，希望大家可以点赞+收藏+关注+评论！
参考资料：
https://www.jianshu.com/p/b24c3177ea47
https://zhuanlan.zhihu.com/p/76024846
