系统随机加权采样python

以下是一个基本的Python代码示例，用于使用随机加权采样系统：

import random

def weighted_random_choice(choices):
    total = sum(w for c, w in choices)
    r = random.uniform(0, total)
    upto = 0
    for c, w in choices:
        if upto + w >= r:
            return c
        upto += w

choices = [('A', 1), ('B', 2), ('C', 3), ('D', 4), ('E', 5)]
for i in range(10):
    print(weighted_random_choice(choices))

在此示例中，我们定义了一个`weighted_random_choice`函数，该函数接受一个选择列表，其中每个选择都是一个元组，其中包含选择的名称和其权重。我们使用`random.uniform`生成一个随机数，然后根据每个选择的权重进行加权采样，以选择一个单个选择。我们将该函数用于最初定义的选择列表，并使用循环进行多次采样。

相关问题

简单随机加权采样python

以下是一个简单的随机加权采样的Python代码示例：

import random

def weighted_random_sampling(weights, k):
    """
    :param weights: A list of non-negative weights.
    :param k: The number of samples to draw.
    :return: A list of indices indicating the sampled elements.
    """
    if k > len(weights):
        raise ValueError("k should be no greater than the length of weights.")
    cum_weights = [0] + list(accumulate(weights))
    total_weight = cum_weights[-1]
    indices = []
    for _ in range(k):
        rand = random.uniform(0, total_weight)
        for i, cum_weight in enumerate(cum_weights):
            if rand < cum_weight:
                indices.append(i - 1)
                total_weight -= weights[i - 1]
                cum_weights = [0] + list(accumulate(weights[:i - 1])) + [total_weight]
                weights = weights[:i - 1] + weights[i:]
                break
    return indices

该函数的输入参数为权重列表和需要采样的数量。输出为一个采样结果的索引列表。

该函数的实现基于累计权重的概念。首先，通过累加所有权重，创建一个新的列表cum_weights。然后，将列表中的每个权重除以总权重，从而获得一个累计权重列表。这个累计权重列表中的每个条目表示前面所有权重的总和。

对于每个采样，生成一个随机数rand，介于0和总权重之间。然后，遍历累计权重列表，找到第一个大于rand的条目（即对应的权重），并将其对应的索引添加到结果列表中。接下来，将该索引对应的权重从权重列表中删除，并更新cum_weights和total_weight。在下一次迭代中，只考虑剩余的权重。

关于加权随机采样，还需要注意以下几点：

- 如果权重中有负数，会引发ValueError异常。
- 如果需要采样的数量k大于权重列表的长度，会引发ValueError异常。
- 由于使用了随机数，因此每次运行该函数都可能得到不同的结果。

1、针对iris.data数据集，实现随机采样、加权采样、分层采样。

好的，关于iris.data数据集的随机采样、加权采样、分层采样，可以使用Python中的sklearn库来实现。具体步骤如下：

首先，我们需要导入库并加载iris数据集：

from sklearn.datasets import load_iris
iris = load_iris()

然后，我们可以对数据集进行随机采样，代码如下：

import random
random_index = random.sample(range(len(iris.target)), 50)
X_random = iris.data[random_index]
y_random = iris.target[random_index]

上述代码使用了Python的随机采样函数`random.sample()`，随机选择50个样本。（当然，具体采样个数可以按需自定义）

接下来，我们实现加权采样，代码如下：

from sklearn.utils import class_weight

# calculate class weight for each target class
class_weight = dict(zip(np.unique(iris.target), class_weight.compute_class_weight('balanced', np.unique(iris.target), iris.target)))

weights = {i:class_weight[label] for i, label in enumerate(iris.target)}
weighted_index = random.choices(range(len(iris.target)), weights=list(weights.values()), k=50)

X_weighted = iris.data[weighted_index]
y_weighted = iris.target[weighted_index]

上述代码中，我们先通过`class_weight.compute_class_weight()`函数来计算每个类别的权重，然后将其转化为一个字典。接下来使用`random.choices()`来根据样本的类别对对应的权重进行采样，最后获得50个加权样本。

最后我们实现分层采样，代码如下：

from sklearn.model_selection import StratifiedShuffleSplit

sss = StratifiedShuffleSplit(n_splits=1, train_size=50, test_size=0, random_state=42)

for train_index, test_index in sss.split(iris.data, iris.target):
  X_stratified = iris.data[train_index]
  y_stratified = iris.target[train_index]

上述代码中，我们使用`StratifiedShuffleSplit`函数来创建一个分层抽样器，并利用该器来随机地选择50个样本。 这里我们只要训练集，因此测试集大小设置为0。 不过请注意，由于我们的数据集非常小，因此很可能采样结果是全部样本，这时可以适当调整`train_size`的值。

希望这些代码能够帮到你！