開始使用免費開始

從相同機率分佈進行抽樣

許多機構（例如 U.S. Census）會公開釋出他們針對民眾所蒐集資料的樣本。這些資料集會先以各種技術匿名化，接著只釋出 1% 到 5% 的極小樣本，以便他人進行計算。抽樣通常能保留資料的統計特性，讓人們研究並理解背後的母體。

在這個練習中，你將透過從原始資料集的分佈進行抽樣，來匿名化 IBM HR 資料集的 department 欄位。

資料集已載入為 hr。

本練習屬於課程

Data Privacy and Anonymization in Python

檢視課程

練習說明

  • 取得 department 欄位中每個不重複值的相對頻率。
  • 從 counts 中取出機率，並將其存入名為 distributions 的變數。
  • 依據前一步計算的機率分佈進行抽樣。抽樣的大小應與 hr 資料集的大小相同。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# Obtain the probability distribution counts 
counts = ____

# Get the probability distribution values 
distributions = ____

# Sample from the calculated probability distributions
hr['department'] = np.random.choice(counts.index, 
                                    p=____, 
                                    size=len(____))

# See the resulting DataFrame
print(hr.head())
編輯並執行程式碼