numpy里面自带了几种抽样算法，但都是随机抽样，我这里要做的是等比连续抽样，就是对原始数据从前到后按固定的间隔固定的顺序去抽样数据。
方法一：
把列表分成n个子组，从每个子组中再抽取一个数作为样本
def evenly_divide_list(lst, num_groups):
"""按顺序分隔列表为指定数量的子组
Args:
lst (list): 列表
num_groups (int): 分隔次数
Returns:
list: 返回子列表的集合
"""
quotient, remainder = divmod(len(lst), num_groups)
group_sizes = [quotient] * num_groups
for i in range(remainder):
group_sizes[i] += 1
groups = []
i = 0
for size in group_sizes:
groups.append(lst[i:i + size])
i += size
return groups
data = [1, 2, 4, 5]
count = 3
sample_group = evenly_divide_list(data, count)
for i in range(len(sample_group)):
print(sample_group[i][0])
方法二：
对列表索引分成固定的间隔然后进行进行四舍五入
def extract_elements(lst, num_elements):
"""按顺序均匀抽样元素
Args:
lst (list): 列表
num_groups (int): 抽样次数
Returns:
list: 返回抽样元素的集合
"""
if num_elements > len(lst):
return lst
step = len(lst) / num_elements
return [lst[round(i * step)] for i in range(num_elements)]
data = [1, 2, 4, 5]
count = 3
sample_group = extract_elements(data, count)
for i in range(len(sample_group)):
print(sample_group[i])
第一种方法是把不能整分的元素全部加到最前面几个组中，这样前面的组就比后面的组抽样间隔更大
第二种方法则是把不能等分的元素按四舍五入法分散在不同的段中，这种方法显然抽样更均匀,而且方法一多了一个数组切分过程，算法复杂度更大,所以推荐用方法二。
Views: 2
