<\/p>\n
Peneliti sering kali mengambil sampel<\/a> dari suatu populasi dan menggunakan data dari sampel tersebut untuk menarik kesimpulan tentang populasi secara keseluruhan.<\/span><\/p>\n Metode pengambilan sampel yang umum digunakan adalah cluster sampling<\/strong> , yaitu suatu populasi dibagi menjadi beberapa cluster dan seluruh anggota cluster tertentu<\/em> dipilih untuk dimasukkan ke dalam sampel.<\/span><\/p>\n Tutorial ini menjelaskan cara melakukan pengambilan sampel cluster pada pandas DataFrame dengan Python.<\/span><\/p>\n Katakanlah sebuah perusahaan yang menawarkan tur kota ingin mensurvei pelanggannya. Dari sepuluh tur yang mereka tawarkan per hari, mereka secara acak memilih empat tur dan meminta setiap pelanggan menilai pengalaman mereka dalam skala 1 hingga 10.<\/span><\/p>\n Kode berikut menunjukkan cara membuat pandas DataFrame untuk digunakan:<\/span><\/p>\n Dan kode berikut menunjukkan cara mendapatkan sampel pelanggan dengan memilih empat kunjungan secara acak dan memasukkan setiap anggota kunjungan tersebut ke dalam sampel:<\/span><\/p>\n Dari hasilnya kita dapat melihat bahwa:<\/span><\/p>\n Jadi, sampel ini terdiri dari total 80 pelanggan yang berasal dari 4 kelompok wisatawan berbeda.<\/span><\/p>\n Memahami berbagai jenis metode pengambilan sampel<\/a> Peneliti sering kali mengambil sampel dari suatu populasi dan menggunakan data dari sampel tersebut untuk menarik kesimpulan tentang populasi secara keseluruhan. Metode pengambilan sampel yang umum digunakan adalah cluster sampling , yaitu suatu populasi dibagi menjadi beberapa cluster dan seluruh anggota cluster tertentu dipilih untuk dimasukkan ke dalam sampel. Tutorial ini menjelaskan cara melakukan pengambilan […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Contoh: Pengambilan Sampel Cluster di Pandas<\/strong><\/h2>\n
import<\/span> pandas as<\/span> pd\nimport<\/span> numpy as<\/span> np\n<\/span>\n#make this example reproducible<\/span>\nn.p. random<\/span> . seeds<\/span> (0)\n\n#createDataFrame<\/span>\ndf = pd.DataFrame({'tour': np. repeat<\/span> (np. arange<\/span> (1,11), 20),\n 'experience': np. random<\/span> . normal<\/span> (loc=7, scale=1, size=200)})\n\n#view first six rows of DataFrame<\/span>\ndf. head<\/span> ()\n\n tour experience\n1 1 6.373546\n2 1 7.183643\n3 1 6.164371\n4 1 8.595281\n5 1 7.329508\n6 1 6.179532\n<\/strong><\/pre>\n #randomly choose 4 tour groups out of the 10<\/span>\nclusters = np. random<\/span> . choice<\/span> (np. arange<\/span> (1,11), size=4, replace= False<\/span> )\n\n#define sample as all members who belong to one of the 4 tour groups<\/span>\ncluster_sample = df[df[' tour<\/span> ']. isin<\/span> (clusters)]\n\n#view first six rows of sample\n<\/span>cluster_sample. head<\/span> ()\n\ntour experience\n40 3 5.951447\n41 3 5.579982\n42 3 5.293730\n43 3 8.950775\n44 3 6.490348 \n\n#find how many observations came from each tour group\n<\/span>cluster_sample[' tour<\/span> ']. value_counts<\/span> ()\n\n10 20\n6 20\n5 20\n3 20\nName: tour, dtype: int64<\/strong><\/pre>\n\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Pengambilan sampel bertingkat pada panda<\/a>
Pengambilan sampel panda secara sistematis<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"