在机器学习过程中，数据抽样技巧是否复杂多变？

本文共计3528个文字，预计阅读时间需要15分钟。

在以下情况下可能需要使用抽样：

+ 数据量过大，计算能力不足。+ 需要快速响应局部情况。+ 时效性要求高，通过抽样快速验证概念。+ 需要进行定性分析工作。+ 无法实现全面覆盖。

什么情况下需要会用到抽样

数据量太大，计算能力不足。

抽样调查，小部分数据即可反应全局情况。

时效要求，通过抽样快速实现概念验证。

定性分析的工作需要。

无法实现全覆盖的场景，比如满意度调查等。

解决样本不均衡问题

随机抽样（用的最多）

该抽样方法是按等概率原则直接从总中抽取n个样本，这种随机样本方法简单，易于操作；但是它并不能保证样本能完美的代表总体，这种抽样的基本前提是所有样本个体都是等概率分布，但真实情况却是很多数样本都不是或无法判断是否等概率分布。在简单随机抽样中，得到的结果是不重复的样本集，还可以使用有放回的简单随机抽样，这样得到的样本集中会存在重复数据。该方法适用于个体分布均匀的场景。

​使用Pandas进行数据随机​

DataFrame.sample(n=None, frac=None, replace=False, weights=None, random_state=None, axis=None)

参数说明：

• n：需要抽样的数量

• frac：需要抽样的比例，0-1之前的小数。