Clustersampling

Enquètegegevens analyseren in Python

EbunOluwa Andrew

Data Scientist

Wat is clustersampling?

Hele populatie verdeeld in meerdere subgroepen
- Subgroepen lijken qua kenmerken op de populatie
Populatie -> Clusters
Je bemonstert geen individuen, maar selecteert willekeurig de hele subgroep

taartdiagram van mensen

Waarom clustersampling belangrijk is

We kunnen niet altijd data verzamelen van de hele populatie
Beperk fout door de grote omvang van de populatie

overbevolking

Stappen bij clustersampling

Deel eerst de populatie op in clusters
Kies daarna willekeurig uit deze clusters

cluster van mensen

Voorbeelddataset

print(mh_survey)

| gender | sought_treatment | country_work             |
|--------|------------------|--------------------------|
| Male   |                0 | United Kingdom           |
| Male   |                1 | United States of America |
| Male   |                1 | United Kingdom           |
| Male   |                1 | United Kingdom           |
| Female |                1 | United States of America |
| Male   |                1 | United Kingdom           |
| Male   |                0 | United States of America |
...

Voorbeelddata en plot

mh_survey.groupby('country_work')[
  'gender'].count()

groups = mh_survey.groupby(
  'country_work')['gender'].count(
).reset_index()

groups.columns=['country_work','count']

groups.plot.bar(x='country_work',
                y='count')

staafdiagram van waar techwerkers wonen

¹ _gedeeltelijke data geplot wegens ruimte_

Kies clusters

unique_countries = list(set(mh_survey.country_work))

random_clusters = np.random.choice(unique_countries, size = 10, replace = False)

print(random_clusters)

array(['Finland', 'Australia', 'Sweden', 'South Africa', 'Pakistan',
       'France', 'Ecuador', 'United Arab Emirates', 'United Kingdom',
       'Bangladesh'], dtype='<U24')

Maak een clustersteekproef

cluster_sample = mh_survey[mh_survey.country_work.isin(random_clusters)]
print(cluster_sample.head())

| gender | sought_treatment | US_state_live        |
|--------|------------------|----------------------|
| Male   |                1 |             Pakistan |
| Male   |                1 |             Pakistan |
| Male   |                1 | United Arab Emirates |
| Male   |                1 |             Pakistan |
| Female |                0 |           Bangladesh |

Plot clustersteekproef

treatment_pie = cluster_sample.sought_treatment.value_counts(normalize = True)
treatment_pie.plot.pie()

taartdiagram van sought_treatment

Plot clustersteekproef

array(['Bangladesh', 'South Africa', 'Other', 'Norway', 'Poland',
       'Romania', 'New Zealand', 'France', 'United States of America',
       'Bulgaria'], dtype='<U24')

taartdiagram van sought_treatment

Laten we oefenen!

Enquètegegevens analyseren in Python