<\/p>\n
Onderzoekers nemen vaak steekproeven<\/a> uit een populatie en gebruiken de gegevens uit de steekproef om conclusies te trekken over de populatie als geheel.<\/span><\/p>\n Een veelgebruikte bemonsteringsmethode is clusterbemonstering<\/strong> , waarbij een populatie in clusters wordt verdeeld en alle leden van bepaalde<\/em> clusters worden gekozen om in de steekproef te worden opgenomen.<\/span><\/p>\n In deze zelfstudie wordt uitgelegd hoe u clusterbemonstering uitvoert op een panda’s DataFrame in Python.<\/span><\/p>\n Stel dat een bedrijf dat rondleidingen door de stad aanbiedt, een enqu\u00eate wil houden onder zijn klanten. Uit de tien tours die ze per dag aanbieden, selecteren ze willekeurig vier tours en vragen ze elke klant om zijn ervaring te beoordelen op een schaal van 1 tot 10.<\/span><\/p>\n De volgende code laat zien hoe u een Panda DataFrame maakt om mee te werken:<\/span><\/p>\n En de volgende code laat zien hoe u een steekproef van klanten kunt verkrijgen door willekeurig vier bezoeken te selecteren en elk lid van die bezoeken in de steekproef op te nemen:<\/span><\/p>\n Uit het resultaat kunnen we zien dat:<\/span><\/p>\n Deze steekproef bestaat dus uit in totaal 80 klanten uit 4 verschillende toeristische groepen.<\/span><\/p>\n Inzicht in de verschillende soorten bemonsteringsmethoden<\/a> Onderzoekers nemen vaak steekproeven uit een populatie en gebruiken de gegevens uit de steekproef om conclusies te trekken over de populatie als geheel. Een veelgebruikte bemonsteringsmethode is clusterbemonstering , waarbij een populatie in clusters wordt verdeeld en alle leden van bepaalde clusters worden gekozen om in de steekproef te worden opgenomen. In deze zelfstudie wordt […]<\/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":[],"class_list":["post-1169","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Voorbeeld: clusterbemonstering in panda’s<\/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
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Gestratificeerde bemonstering bij panda’s<\/a>
Systematische bemonstering van panda’s<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"