Pengantar bootstrapping

Sampling di Python

James Chapman

Curriculum Manager, DataCamp

Dengan atau tanpa

Sampling tanpa pengembalian:

Kartu remi di meja kasino.

Sampling dengan pengembalian ("resampling"):

Empat dadu yang sedang bergulir.

Sampling acak sederhana tanpa pengembalian

Populasi:

Biji kopi tersusun dalam baris dan kolom.

Sampel:

Biji kopi tersusun dalam baris dan kolom, sebagian besar diarsir abu-abu.

Sampling acak sederhana dengan pengembalian

Populasi:

Biji kopi tersusun dalam baris dan kolom.

Resample:

Sampel acak biji kopi, beberapa duplikat.

Mengapa sampling dengan pengembalian?

coffee_ratings: sampel dari populasi kopi yang lebih besar
Setiap kopi dalam sampel mewakili banyak kopi populasi hipotetis
Sampling dengan pengembalian adalah proksi

Menyiapkan data kopi

coffee_focus = coffee_ratings[["variety", "country_of_origin", "flavor"]]
coffee_focus = coffee_focus.reset_index()

      index  variety country_of_origin  flavor
0         0     None          Ethiopia    8.83
1         1    Other          Ethiopia    8.67
2         2  Bourbon         Guatemala    8.50
3         3     None          Ethiopia    8.58
4         4    Other          Ethiopia    8.50
...     ...      ...               ...     ...
1333   1333     None           Ecuador    7.58
1334   1334     None           Ecuador    7.67
1335   1335     None     United States    7.33
1336   1336     None             India    6.83
1337   1337     None           Vietnam    6.67

[1338 rows x 4 columns]

Resampling dengan .sample()

coffee_resamp = coffee_focus.sample(frac=1, replace=True)

      index  variety country_of_origin  flavor
1140   1140  Bourbon         Guatemala    7.25
57       57  Bourbon         Guatemala    8.00
1152   1152  Bourbon            Mexico    7.08
621     621  Caturra          Thailand    7.50
44       44     SL28             Kenya    8.08
...     ...      ...               ...     ...
996     996   Typica            Mexico    7.33
1090   1090  Bourbon         Guatemala    7.33
918     918    Other         Guatemala    7.42
249     249  Caturra          Colombia    7.67
467     467  Caturra          Colombia    7.50

[1338 rows x 4 columns]

Kopi yang terulang

coffee_resamp["index"].value_counts()

658     5
167     4
363     4
357     4
1047    4
       ..
771     1
770     1
766     1
764     1
0       1
Name: index, Length: 868, dtype: int64

Kopi yang hilang

num_unique_coffees = len(coffee_resamp.drop_duplicates(subset="index"))

len(coffee_ratings) - num_unique_coffees

Bootstrapping

Kebalikan dari sampling dari populasi

Sampling: dari populasi ke sampel yang lebih kecil

Bootstrapping: membangun populasi teoretis dari sampel

Kegunaan bootstrapping:

Memahami variabilitas sampling dari satu sampel

Sebuah sepatu bot koboi.

Proses bootstrapping

Buat resample dengan ukuran sama seperti sampel asli
Hitung statistik yang diinginkan untuk bootstrap sample ini
Ulangi langkah 1 dan 2 berkali-kali

Statistik yang dihasilkan adalah statistik bootstrap, dan membentuk distribusi bootstrap

Bootstrap rata-rata rasa kopi

import numpy as np

mean_flavors_1000 = []

for i in range(1000):

    mean_flavors_1000.append(

        np.mean(coffee_sample.sample(frac=1, replace=True)['flavor'])

    )

Histogram distribusi bootstrap

import matplotlib.pyplot as plt
plt.hist(mean_flavors_1000)
plt.show()

Distribusi bootstrap dari rata-rata rasa

Ayo berlatih!

Sampling di Python