数据分析基础—4.1 数据抽样

在数据收集过程中，利用数据的全体进行分析，还是采集其中的一部分作为样本进行分析，要根据业务需求来判断，采集特征数据的方式根据数据范围的不同分为普遍调查和抽样调查。

       普遍调查

       是对数据全体范围内的所有对象进行逐个调查，达到准确了解数据总体特征的方法。

       最典型的例子就是我国十年一次的全国人口普查项目。其优点是采集的数据准确、全面；缺点是成本高、效率相对较低。

       抽样调查

       是从全体数据中随机抽取一部分数据作为样本数据进行调查分析，从样本特征推断数据的总体特征。

       其优点是效率高而且成本低，缺点是其采集的数据存在偏差有时会影响分析结果的准确。

       常用的抽样方法有以下四种：

       1、简单随机抽样

       将全体数据进行编号，然后在总体数据中随机抽取一定数量的数据组成样本数据，即为简单随机抽样。适用于数据量较少的情况。

       例如：抽签或者抽奖活动，

       2、分层抽样

       如果目标数据可以被分为若干个互不重叠的部分（即分层），每个层中的数据具有相似的属性，那么可以按比例从各层随机抽取数据组成样本数据，即为分层抽样。

       例如：一所大学要对所有学生进行普通话水平进行调查评估。学生总数25000人，拟抽取样本500人，考虑学生主要来自六个方言区域，所以分成六个层（如学生来源占比10%、20%、15%、30%、15%、10%），每个层按比例分别抽取50人、100人、75人、150人、75人、50人，组成500人的样本数据。

       3、系统抽样

       又称为等距抽样，首先设定抽样间距为n，然后在前n个数据中抽取初始数据，再按顺序每隔n个单位选取一个数据组成样本数据，即为系统抽样。

       例如，设置抽样间距为20，初始数据从1到20个数据中随机抽取，假如抽取到第16个，那么每隔20个单位抽取一个数据进入样本，即为第16个、第36个、第56个、第76个……均被抽取进入样本数据中。

       4、整群抽样

       又称聚类抽样，是将全体数据拆分成若干个互不交叉、互不重复的群，每个群内的数据应尽可能具有不同属性，尽量能代表整体数据的情况，然后以群为单位进行抽样，称为整群抽样。

       例如：美国大选的民意调查一般采用整群抽样的方式，美国有50个州1个特区，每个州有很多个郡，选民的意愿与其所处的郡无关，因此每个郡都可以看作是整群抽样的一个群，对郡内每个选民进行意见收集。

       以上四种基本抽样方法都属于数据随机抽样，实际应用中常根据业务需求将整个抽样过程分为不同的阶段进行，来完成数据的采集任务。

作者：小明学数据
链接：https://www.jianshu.com/p/9adb2792a1e6