当你踏入数据分析的大门时，可能会被海量的数据淹没，感到无从下手。
想象一下，你想了解一座巨大森林里所有树木的平均高度，难道要一棵一棵地去测量吗？这显然不现实。
这时，“抽样” 这个强大的工具就该登场了！
本文将带你全面了解各种抽样方法，并用Python代码演示实际应用。
1. 抽样是什么？
抽样 是从总体中选取部分样本进行分析的过程。
这样做的主要原因是：
节省时间和资源：处理全部数据成本高昂
可行性：当总体无限或无法完全获取时
效率：快速获得初步分析结果
在抽样的世界里，主要有两种不同的理念，形成了两大阵营：
非随机抽样：抽样过程不遵循随机原则，而是根据研究人员的主观经验或方便性来选择样本。这种方法简单、快速、成本低，适用于探索性研究或对时效性要求高的场景。
随机抽样：也称为概率抽样，它遵循随机原则，确保总体中的每个单位都有一定的机会被抽中。这种方法专业性强，可以客观地衡量抽样误差，是数据分析中更常用、更科学的方法。
接下来，我们将重点介绍几种主流的抽样方法。
2. 非随机抽样
非随机抽样虽然在严谨的数据分析中需要谨慎使用，但在某些场景下依然有其价值。
它的实现原理是：根据研究者的主观判断、方便程度或特定需求来选择样本，不保证每个个体都有被抽中的机会。
常见的非随机抽样包括方便抽样、判断抽样、滚雪球抽样等。
典型的应用场景有：
产品初期快速的用户访谈：在产品开发的早期阶段，为了快速收集用户反馈，可能会在公司门口或附近的咖啡馆随机邀请用户进行简短访谈。
特定人群的深度研究：研究某个罕见病群体时，可以通过医生推荐或患者社群来寻找研究对象，这类似于滚雪球抽样。
下面用Python实现一个简单的非随机抽样的示例。
import pandas as pd
import numpy as np
# 模拟创建一个包含1000名用户的数据集
np.random.seed(42)
data = {
'user_id': range(1, 1001),
'age': np.random.randint(18, 60, size=1000),
'city': np.random.choice(['北京', '上海', '广州', '深圳', '杭州'], size=1000),
'activity_score': np.random.randint(1, 101, size=1000) # 活跃度评分，1-100
}
df = pd.DataFrame(data)
# 非随机抽样：判断抽样
# 我们主观判断活跃度分数高于90的用户为高活跃度代表
high_activity_sample = df[df['activity_score'] > 90]
print("判断抽样（活跃度>90）的样本量:", len(high_activity_sample))
print(high_activity_sample.head())
运行结果：
3. 随机抽样
随机抽样是数据分析的基石，它能确保样本的代表性，从而让我们的分析结论更具说服力。
随机抽样一般有下面四种方式：
3.1. 简单随机抽样
这是最基础的随机抽样方法，确保总体中每个个体被抽中的概率完全相等。
就像从一个装满小球的箱子里随机摸球一样，每个球被摸到的机会都是一样的。
它的典型应用场景有：
满意度调查：从全体用户中随机抽取一部分发送满意度调查问卷。
A/B测试用户分组：将参与测试的用户随机分配到A组和B组，确保两组用户在初始状态下没有系统性差异。
下面是Python实现的一个简单随机抽样示例。
先创建测试数据，这些数据在后面其他随机抽样示例中也会使用。
# 创建模拟数据集：某公司客户数据
np.random.seed(42) # 设置随机种子保证结果可重现
customer_data = pd.DataFrame({
'customer_id': range(1, 1001),
'age': np.random.randint(18, 70, 1000),
'income': np.random.normal(50000, 15000, 1000).astype(int),
'satisfaction_score': np.random.randint(1, 11, 1000)
})
print("原始数据集概况：")
print(f"数据量：{len(customer_data)}")
print(f"平均收入：{customer_data['income'].mean():.2f}")
print(f"平均满意度：{customer_data['satisfaction_score'].mean():.2f}")
# 运行结果：
'''
原始数据集概况：
数据量：1000
平均收入：50863.12
平均满意度：5.39
'''
然后进行简单随机抽样：
# 简单随机抽样
simple_random_sample = customer_data.sample(n=50, random_state=42)
print("简单随机抽样结果：")
print(f"样本量：{len(simple_random_sample)}")
print(f"样本平均收入：{simple_random_sample['income'].mean():.2f}")
print(f"样本平均满意度：{simple_random_sample['satisfaction_score'].mean():.2f}")
# 运行结果：
'''
简单随机抽样结果：
样本量：50
样本平均收入：48647.12
样本平均满意度：4.76
'''
抽样数据与总体数据相比，收入分布和满意度分布情况如下：
3.2. 分层随机抽样
分层随机抽样是先将总体按照某种特征分成若干个互不重叠的“层”，然后在每个层内部分别进行简单随机抽样。
这种方法可以保证样本的结构与总体的结构相似，特别适用于总体内部差异较大的情况。
它的典型应用场景有：
不同城市用户的消费习惯分析：为了解全国用户的消费习惯，可以先将用户按城市（如一线、新一线、二线城市）分层，再从每一层中按比例抽取用户进行研究，确保样本中各城市的用户比例与总体一致。
不同年级学生的学习情况调查：将学生按年级分层，再从各年级中抽取一定比例的学生进行调查。
下面是Python实现的一个分层随机抽样示例。
# 创建分层：按年龄分组
customer_data["age_group"] = pd.cut(
customer_data["age"],
bins=[0, 30, 45, 60, 100],
labels=["青年", "中青年", "中年", "中老年"],
)
print("各年龄组人数：")
print(customer_data["age_group"].value_counts())
# 分层随机抽样：每层按比例抽取
stratified_sample = (
customer_data.groupby("age_group", observed=False)
.apply(
lambda x: x.sample(frac=0.05, random_state=42),
include_groups=False,
)
.reset_index()
)
print("\n分层随机抽样结果：")
print(f"样本量：{len(stratified_sample)}")
print("样本中各年龄组分布：")
print(stratified_sample["age_group"].value_counts())
# 运行结果：
'''
各年龄组人数：
age_group
中青年 297
中年 282
青年 238
中老年 183
Name: count, dtype: int64
分层随机抽样结果：
样本量：50
样本中各年龄组分布：
age_group
中青年 15
中年 14
青年 12
中老年 9
Name: count, dtype: int64
'''
分层随机抽样和简单随机抽样，以及总体数据对于平均收入的估计如下：
从图中可以看出，分层随机抽样更接近于总体的值。
3.3. 系统随机抽样
系统随机抽样是将总体中的所有单位按一定顺序排列，然后按照固定的间隔（步长）来抽取样本。
比如，从1000人中抽取100人，可以每隔10人抽取1人。
它的典型应用场景有：
生产线产品质量检测：每隔100件产品，抽取1件进行质量检测。
电话调查：从电话号码簿中，每隔50个号码抽取一个进行访问。
下面是Python实现的一个系统随机抽样示例。
# 系统随机抽样
def systematic_sampling(data, step):
start = np.random.randint(0, step)
indices = range(start, len(data), step)
return data.iloc[indices]
systematic_sample = systematic_sampling(customer_data, 20) # 每20个抽1个
print("系统随机抽样结果：")
print(f"样本量：{len(systematic_sample)}")
print(f"样本平均收入：{systematic_sample['income'].mean():.2f}")
# 运行结果：
'''
系统随机抽样结果：
样本量：50
样本平均收入：50763.34
'''
系统随机抽样的示意图如下：
3.4. 整群随机抽样
整群随机抽样是将总体划分为若干个互不重叠的“群”，然后随机抽取其中的若干个群，对抽中的群里的所有单位进行调查。
它的典型应用场景是：
城市居民健康调查：将城市划分为若干个社区（群），随机抽取几个社区，然后对这几个社区的所有居民进行健康调查。
全国多所学校的学生视力普查：将全国的学校作为“群”，随机抽取几十所学校，然后对这些学校的所有学生进行视力检查。
下面是Python实现的一个整群随机抽样示例。
# 创建模拟的群组数据：假设客户按地区分组
regions = ['北京', '上海', '广州', '深圳', '杭州', '成都', '武汉', '西安']
customer_data['region'] = np.random.choice(regions, len(customer_data))
print("各地区客户数量：")
print(customer_data['region'].value_counts())
# 整群随机抽样：随机选择3个地区，调查这些地区的所有客户
selected_regions = np.random.choice(regions, size=3, replace=False)
cluster_sample = customer_data[customer_data['region'].isin(selected_regions)]
print(f"\n抽中的地区：{selected_regions}")
print("整群随机抽样结果：")
print(f"样本量：{len(cluster_sample)}")
print(f"样本平均收入：{cluster_sample['income'].mean():.2f}")
print(f"总体平均收入：{customer_data['income'].mean():.2f}")
# 运行结果：
'''
各地区客户数量：
region
武汉 141
广州 133
成都 132
杭州 124
北京 120
上海 118
深圳 116
西安 116
Name: count, dtype: int64
抽中的地区：['杭州' '深圳' '武汉']
整群随机抽样结果：
样本量：381
样本平均收入：50319.75
总体平均收入：50863.12
'''
整群随机抽样得到的平均收入与总体数据的比较如下图：它们的值非常接近。
