Python数据采样怎么做_使用Numpy进行随机抽样与重采样-Python教程-PHP中文网

np.random.choice需传一维数组，二维数据应先抽索引再取数；无放回抽样须设replace=false且size≤原长；权重p须归一化；时间序列需抽连续索引块而非离散点；新旧随机数接口不可混用。

python数据采样怎么做_使用numpy进行随机抽样与重采样

直接用 np.random.choice 抽样时，最常遇到 ValueError: a must be 1-dimensional 或抽出来全是重复索引——根本原因是没搞清它的输入要求和默认行为。

它只接受一维数组，传入二维 ndarray 或 DataFrame.values 会直接崩；另外，默认 replace=True，小数据集反复抽容易失真。

想从二维数据中抽行：先用 np.arange(len(data)) 生成索引，再用 choice 抽索引，最后索引取数，比如 data[indices]
要等概率无放回抽样：显式写 replace=False，且确保 size 不超过原长度，否则报 ValueError: Cannot take a larger sample than population when 'replace=False'
抽样结果要保持原始 dtype：传入 data 时别用 data.tolist()，那会变成 Python list，失去 numpy 的类型控制

用 np.random.default_rng() 创建的 Generator 实例，和老式 np.random.seed() + np.random.choice() 是两套独立状态。混着用会导致随机性不可复现、甚至抽样分布偏移。

典型现象是：同一段代码，加了 np.random.seed(42) 后，default_rng(42).choice(...) 结果却和预期不一致——因为 seed() 不影响新 Generator。

统一用新接口：全部改用 rng = np.random.default_rng(seed)，然后调 rng.choice()、rng.integers() 等
旧项目迁移时，检查是否全局调用了 np.random.seed()，它对新 Generator 无效，必须删或替换
多进程重采样时，每个进程必须用不同 seed 初始化 Generator，否则所有进程抽到完全一样的样本

直接对标签数组用 np.random.choice 按类别索引重采样，看似简单，但忽略权重计算逻辑，会导致少数类样本实际被重复次数远低于理论值——尤其当原始分布极不均衡时（如 99% vs 1%）。

python-script-generator

快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。

下载

问题出在：手动算权重容易漏掉归一化，或把类别频率当概率传给 p 参数，而 p 要求严格和为 1，浮点误差会触发 ValueError: probabilities do not sum to 1。

正确做法：用 np.bincount(labels, minlength=n_classes) 得频次，再用 p = counts / counts.sum() 归一
避免用 list.count() 或循环统计，慢且易错
如果要做 SMOTE 类似效果，choice 只能复制样本，不能生成新样本——别指望靠它解决特征空间稀疏问题

时间序列不能随便打乱抽，但有人图省事直接对时间戳数组 choice，结果时间顺序全乱，后续 rolling 或 diff 计算全错。

真正的时间重采样（如降频、升频）该用 pandas.resample；若只是按时间窗口随机截取子序列，得保证抽的是连续索引块，而不是离散点。

抽固定长度连续片段：先算最大起始位置 max_start = len(ts) - window_size，再用 rng.integers(0, max_start + 1) 抽起点，切片获取
避免用 choice(np.arange(len(ts)), size=window_size, replace=False) —— 抽出来不连续，不是“时间序列片段”
带时间对齐的重采样（如每5分钟取均值），必须用 pd.Series.resample('5T').mean()，numpy 没时间语义支持

重采样的本质不是“换几个数”，而是维持数据生成机制的合理性。索引怎么抽、权重怎么算、时间怎么对齐——每一步漏掉约束，后面模型就可能在看不见的地方悄悄失效。