开始使用免费开始使用

按相同概率分布进行抽样

许多机构（例如 U.S. Census）会公开发布其针对公民收集的数据样本。这些数据集会先通过多种技术进行匿名化处理，然后只发布 1% 到 5% 的极小部分，以便进行统计计算。抽样被认为能够保留数据的统计特性，从而让研究者理解和分析背后的人群。

在本练习中，您将通过依据原始数据集的分布进行抽样，来匿名化 IBM HR 数据集中的 department 列。

数据集已加载为 hr。

本练习是课程的一部分

Python 中的数据隐私与匿名化

查看课程

练习说明

  • 获取 department 列中各唯一值的相对频率。
  • 从 counts 中提取各概率，并将其存入名为 distributions 的变量。
  • 按此前计算的概率分布进行抽样。样本大小应与 hr 数据集的大小相同。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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())
编辑并运行代码