Úvod do bootstrappingu

Vzorkování v Pythonu

James Chapman

Curriculum Manager, DataCamp

S opakováním nebo bez

Výběr bez opakování:

Hrací karty na kasinovém stole.

Výběr s opakováním ("převzorkování"):

Čtyři házecí kostky.

Prostý náhodný výběr bez opakování

Populace:

Kávová zrna uspořádaná do řádků a sloupců.

Vzorek:

Kávová zrna uspořádaná do řádků a sloupců, většina z nich je šedá.

Prostý náhodný výběr s opakováním

Populace:

Kávová zrna uspořádaná do řádků a sloupců.

Převzorek:

Náhodný vzorek kávových zrn, z nichž některá jsou duplikáty.

Proč vzorkovat s opakováním?

coffee_ratings: vzorek z větší populace všech káv
Každá káva ve vzorku reprezentuje mnoho různých hypotetických káv z populace
Výběr s opakováním je aproximací

Příprava dat o kávě

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]

Převzorkování pomocí .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]

Opakující se kávy

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

Chybějící kávy

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

len(coffee_ratings) - num_unique_coffees

Bootstrapping

Opak výběru z populace

Vzorkování: z populace na menší vzorek

Bootstrapping: sestavení teoretické populace ze vzorku

Použití bootstrappingu:

Pochopení variability vzorkování na základě jediného vzorku

Kovbojská bota.

Proces bootstrappingu

Vytvořte převzorek stejné velikosti jako původní vzorek
Vypočítejte statistiku zájmu pro tento bootstrap vzorek
Opakujte kroky 1 a 2 mnohokrát

Výsledné statistiky jsou bootstrap statistiky a tvoří bootstrap rozdělení

Bootstrap průměrné chuti kávy

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 bootstrap rozdělení

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

Bootstrap rozdělení průměrné chuti

Pojďme si procvičit!

Vzorkování v Pythonu