Python实现凭证金额分层随机抽样（Stratified Random Sample）技术问询

1. 识别凭证金额所属类别 #

假设凭证数据存储在DataFrame中，包含amount字段（金额为数值类型，已去除$符号），可通过pandas.cut快速完成类别划分：

import pandas as pd
import numpy as np

# 模拟大量凭证数据（实际使用时替换为你的数据源）
np.random.seed(42)  # 固定随机种子保证结果可复现
data = pd.DataFrame({
    'voucher_id': range(1, 10001),
    'amount': np.random.uniform(0, 10000, 10000)  # 生成0-10000的随机金额
})

# 定义金额区间与对应类别标签
bins = [0, 500, 2000, 5000, float('inf')]
labels = ['$0-$500', '$500-$2000', '$2000-$5000', '$5000以上']

# 为每条凭证添加类别标签
data['amount_category'] = pd.cut(data['amount'], bins=bins, labels=labels, include_lowest=True)

# 查看分类结果示例
print(data[['voucher_id', 'amount', 'amount_category']].head())

include_lowest=True确保0元凭证被归入第一个区间，若原始金额带$符号，可通过data['amount'] = data['amount'].replace('[\$,]', '', regex=True).astype(float)转换为数值类型。

2. 按总体比例抽取分层样本 #

根据需求，四类在总体中的占比分别为1%、2%、3%、4%，分两种常见场景实现：

场景A：按总体占比分配总样本量 #

若需抽取固定总样本量，按比例分配各层样本数（例如总样本量1000，则四类分别抽10、20、30、40个样本）：

# 定义各层对应总体的占比
stratum_ratios = {
    '$0-$500': 0.01,
    '$500-$2000': 0.02,
    '$2000-$5000': 0.03,
    '$5000以上': 0.04
}

total_sample_size = 1000  # 自定义总样本量
sampled_data = pd.DataFrame()

for category, ratio in stratum_ratios.items():
    sample_size = int(total_sample_size * ratio)
    # 从当前层随机抽取样本
    stratum_sample = data[data['amount_category'] == category].sample(n=sample_size, random_state=42)
    sampled_data = pd.concat([sampled_data, stratum_sample])

sampled_data = sampled_data.reset_index(drop=True)

# 输出抽样结果及各层占比
print("抽样样本示例：")
print(sampled_data.head())
print("\n抽样样本各层占比：")
print(sampled_data['amount_category'].value_counts(normalize=True))

场景B：抽取各层自身数量的对应比例 #

若需求是从每个层内抽取自身数量的对应比例（例如$0-$500层抽1%的样本，$500-$2000层抽2%的样本）：

# 定义各层的抽样比例（针对层内数据量）
stratum_ratios = {
    '$0-$500': 0.01,
    '$500-$2000': 0.02,
    '$2000-$5000': 0.03,
    '$5000以上': 0.04
}

sampled_data = pd.DataFrame()

for category, ratio in stratum_ratios.items():
    stratum_data = data[data['amount_category'] == category]
    # 确保至少抽取1个样本（若层内数据量不足）
    sample_size = max(1, int(len(stratum_data) * ratio))
    stratum_sample = stratum_data.sample(n=sample_size, random_state=42)
    sampled_data = pd.concat([sampled_data, stratum_sample])

sampled_data = sampled_data.reset_index(drop=True)

# 输出抽样结果及各层抽取数量
print("抽样样本示例：")
print(sampled_data.head())
print("\n各层抽取数量：")
print(sampled_data['amount_category'].value_counts())

注意事项 #

• 若某层实际数据量不足以支撑所需样本量，可根据业务需求调整（例如抽取该层全部样本，或修改总样本量）。

内容的提问来源于stack exchange，提问作者Rose Lloyd