Klastrové vzorkování

Analýza dat z průzkumů v Pythonu

EbunOluwa Andrew

Data Scientist

Co je klastrové vzorkování?

Celá populace je rozdělena do podskupin
- Podskupiny mají podobné vlastnosti jako populace
Populace -> Klastry
Nevybírá jednotlivce, ale náhodně volí celou podskupinu

koláčový graf složený z lidí

Proč je klastrové vzorkování důležité

Data z celé populace nelze vždy získat
Minimalizace chyby způsobené velkým rozsahem populace

přelidnění

Postup klastrového vzorkování

Nejprve rozdělte populaci do klastrů
Poté proveďte náhodný výběr těchto klastrů

skupina lidí

Ukázkový dataset

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 |
...

Ukázkový dataset a graf

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')

sloupcový graf zemí tech pracovníků

¹ _částečná data kvůli prostoru_

Výběr klastrů

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')

Vytvoření klastrového vzorku

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 |

Vizualizace klastrového vzorku

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

koláčový graf sought_treatment

Vizualizace klastrového vzorku

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

koláčový graf sought_treatment

Lass uns üben!

Analýza dat z průzkumů v Pythonu