[python skill]基于python的bootstrap analysis方法
上回书说到（惊堂木！）Dr. Semmelweis and the discovery of handwashing案例中的第8步中使用了bootstrap分析方法（Bootstrap analysis of Semmelweis handwashing data），其实小弟内心写起来是有一丢丢心虚的，因为本身不是相关专业出身没有系统学习过概率学的方法，加之互联网时代大家皮糙肉厚，其实没太多时间仔细研究某一种具体的方式方法（可能只有我一个人这样）。碰巧，今天datacamp里面学习的一章节内容就是根据bootstrap analysis方法展开的。所以趁着工作室打烊前的小空隙，总结一下今天下午的学习成果。 所谓bootstrap analysis： 在统计学中，自助法（Bootstrap Method，Bootstrapping或自助抽样法）是一种从给定训练集中有放回的均匀抽样，也就是说，每当选中一个样本，它等可能地被再次选中并被再次添加到训练集中。自助法由Bradley Efron于1979年在《Annals of Statistics》上发表。当样本来自总体，能以正态分布来描述，其抽样分布(Sampling Distribution)为正态分布(The Normal Distribution)；但当样本来自的总体无法以正态分布来描述，则以渐进分析法、自助法等来分析。采用随机可置换抽样(random sampling with replacement)。对于小数据集，自助法效果很好。 via wikihttps://zh.wikipedia.org/wiki/%E8%87%AA%E5%8A%A9%E6%B3%95 测试一下你对上文阅读理解能力： Q：What is abootstrap replicate? A：A single value of a statistic computed from a bootstrap sample. Q:How many unique bootstrap samples can be drawn (e.g.,[-1, 0, 1]and[1, 0, -1]areunique), and what is the maximum mean you can get from a bootstrap sample? A:There are 27 unique samples, and the maximum mean is 1. 为了更方便大家理解datacamp的老师们以谢菲尔德气象站从1883年到2015年的气象数据（伦敦的降雨情况）（导入numpy的rainfall中）为例作以分析： for i in range(50):#做50次实验 # Generate bootstrap sample: bs_sample bs_sample = np.random.choice(rainfall, size=len(rainfall))#每次有放回地抽取一个和rainfall一样长的样本bs_sample # Compute and plot ECDF from bootstrap sample x, y = ecdf(bs_sample)#为bs_sample生成一个CDF（累计密度函数），返回x值是降雨量，y值是小于这个x值的概率 _ = plt.plot(x, y, marker='.', linestyle='none', c='gray', alpha=0.1)#将这次循环中的bs_sample(i)画在图上 # Compute and plot ECDF from original data x, y = ecdf(rainfall)#为真实值生成一个CDF _ = plt.plot(x, y, marker='.')#也画在图上 # Make margins and label axes plt.margins(0.02) _ = plt.xlabel('yearly rainfall (mm)') _ = plt.ylabel('ECDF') # Show the plot plt.show() output: 看见那些模模糊糊的小黑影了吗，这些是你经过bootstrap replicate出来的结果，可以看出replicate出来的数据在一定程度上符合真实数据的概率分布，这就为我们下一步开展工作奠定了基础。 By graphically displaying the bootstrap samples with an ECDF, you can get a feel for how bootstrap sampling allows probabilistic descriptions of data. 可是这些sample真的可信吗？我们继续分析： 为了后面应用方便，我们定义下面函数： def bootstrap_replicate_1d(data,func): bs_sample=np.random.choice(data,len(data)) return func(bs_sample) #产生一次bootstrap sample，并对这个sample进行一次func操作 def draw_bs_reps(data,func,size=1): bs_replicates=np.empty(size) for i in range(size): bs_replicates[i]=bootstrap_replicate_1d(data,func) return bs_replicates #重复size次bootstrap_replicate_1d 从函数bootstrap_replicate_1d的功能上看，它sample了一个样本，而后返回了对这个样本的某种处理（func） draw_bs_reps函数则是对bootstrap sample进行重复，并将返回值记录在案，绳之以法，并最终返回案底。 那么这两个函数（实际上是draw_bs_reps）怎么用呢？ # Take 10,000 bootstrap replicates of the mean: bs_replicates bs_replicates = draw_bs_reps(rainfall,np.mean,size=10000)#将rainfall做bootstrap sample，并将结果均值，重复10000次 # Compute and print SEM sem = np.std(rainfall) / np.sqrt(len(rainfall))#求出rainfall真实值的标准差 print(sem) # Compute and print standard deviation of bootstrap replicates bs_std = np.std(bs_replicates)#输出10000次平均值的标准差 print(bs_std) # Make a histogram of the results _ = plt.hist(bs_replicates, bins=50, normed=True)#做10000次实验的概率直方图 _ = plt.xlabel('mean annual rainfall (mm)') _ = plt.ylabel('PDF') # Show the plot plt.show() output： 10.5105491505 10.4659270712 可以看出真实值的离散程度和做10000次实验得出的平均值的离散程度是非常接近的。 而且当做100000次实验的时候，两者的离散程度就愈发接近了。 10.5105491505 10.5062818229 这能说明什么呢？ 当我们做一个统计计算时，经常会发现无法收集到全部的样本数据（从盘古开天辟地到宇宙大撕裂的降雨情况），出于这种无奈，我们只好退而求其次地相信选取其中的某一段数据（1883年到2015年），经过反复的bootstrap replicate（相当于无限重复抽样的次数，以弥补我们在客观现实世界中无法发无限次重复实验的遗憾），得到一系列的样本，从中认为这就是最接近客观世界的样本。 If we repeated measurements over and over again,p% of the observed values would lie within the p%confidence interval. 如果我们依次便吹牛逼说自己得到了某一个准确的值，它便是客观世界中（从盘古开天辟地到宇宙大撕裂的时期的）降雨的平均值（或者方差，或者其他统计数据），那确实显得有点扯了。于使统计学家们经过不懈努力定义了一个置信区间，认为如果在这种抽样操作不变的情况下，再进行的所有抽样，其平均值（或者其他统计数据）落在这个区间内的是有一定可能性的（95%，或者其他）。 np.percentile(bs_replicates,[2.5,97.5]) emergency！！！(存疑) 今天刚查了一下percentile的用法，发现它只是取数据在升序排列后位于2.5%位置和97.5%位置的，并不是我们传统意义上的对正态分布（或小样本T分布所求的置信区间）。 应用scipy求一个小样本的T分布置信区间代码如下： import numpy as np from scipy import stats X1=np.array([14.65,14.95,8.49,9.51,10.23,2.75]) Xmean=X1.mean() Xstd=X1.std(ddof=1) interval=stats.t.interval(0.95,len(X1-1),Xmean,Xstd) print("置信区间为：",interval) https://blog.csdn.net/brucewong0516/article/details/80205422 回复上面的疑问！！！！！！ 刚刚跟大神聊了一下，得到的回复如下： 基于t分布的均值置信区间估计是在正态总体假设下才能用的，而百分位法没这个限制，这也和Bootstrap法不假设样本的分布类型相匹配 并且还得知： 是的，Bootstrsp方法只能缩减置信区间，无法更加准确的估计客观真实值，这是小样本的根本缺陷，如果想更加准确的估计客观真实值，就只能增大样本容量。 而且Bootstrap方法得到的置信区间是用百分位法得到的，和正态总体假设的t分布法不一样 恍然大悟啊有木有！ output: array([ 779.76992481, 820.95043233]) 置信区间参考：https://www.zhihu.com/question/26419030 我认为这个解释是最为靠谱的： 然后我们用同样的方法对方差进行了估计： # Generate 10,000 bootstrap replicates of the variance: bs_replicates bs_replicates = draw_bs_reps(rainfall,np.var,10000)#对10000次实验求方差 # Put the variance in units of square centimeters bs_replicates=bs_replicates/100 # Make a histogram of the results _ = plt.hist(bs_replicates, bins=50, normed=True) _ = plt.xlabel('variance of annual rainfall (sq. cm)') _ = plt.ylabel('PDF') # Show the plot plt.show() output: 当然也可以对其他案例进行分析，案例暂且不表，只贴出一下结果： # Draw bootstrap replicates of the mean no-hitter time (equal to tau): bs_replicates bs_replicates = draw_bs_reps(nohitter_times,np.mean,10000) # Compute the 95% confidence interval: conf_int conf_int = np.percentile(bs_replicates,[2.5,97.5]) # Print the confidence interval print('95% confidence interval =', conf_int, 'games') # Plot the histogram of the replicates _ = plt.hist(bs_replicates, bins=50, normed=True) _ = plt.xlabel(r'$\tau$ (games)') _ = plt.ylabel('PDF') # Show the plot plt.show() output: 95% confidence interval = [ 660.67280876 871.63077689] games 以上的分析为均为一种nonparametric inference（非参数估计，Make no assumptions about the model orprobability distribution underlying the data，参考：https://blog.csdn.net/drrlalala/article/details/45533821 ，已知样本所属的类别，但未知总体概率密度函数的形式，要求我们直接推断概率密度函数本身。非参数估计也有人将其称之为无参密度估计，它是一种对先验知识要求最少，完全依靠训练数据进行估计，而且可以用于任意形状密度估计的方法。）下面介绍一些参数估计的方法，还是二维参数（paris bootstrap）。 这个例子是关于奥巴马2008年大选（2008 US swing state election results），我们要完成的是将各个洲的选票数与奥巴马的得票比作以拟合（从而实现预测？maybe）。 与之前不同之处是，变量从前一个例子中的单一变量（降雨量）变成了两个变量（选票数与得票比），而np.random.choice只能针对单一变量进行抽样，而数据是成对（in pair）出现的，这意味着我们不能像之前一样sample得简单粗暴。看一看这个案例中我们是如何进行抽样的： def draw_bs_pairs_linreg(x, y, size=1): """Perform pairs bootstrap for linear regression.""" # Set up array of indices to sample from: inds inds = np.arange(len(x))#选用pair中的一个变量长度作为指数 # Initialize replicates: bs_slope_reps, bs_intercept_reps bs_slope_reps = np.empty(size)#初始化两个空list用于存储每次实验得到的参数 bs_intercept_reps = np.empty(size) # Generate replicates for i in range(size):#重复size次实验 bs_inds = np.random.choice(inds, size=len(inds))#抽取和变量长度相当个数的指数 bs_x, bs_y = x[bs_inds], y[bs_inds]#依据指数选取成对的变量 bs_slope_reps[i], bs_intercept_reps[i] = np.polyfit(bs_x,bs_y,1)#用选取到的变量进行线性拟合 return bs_slope_reps, bs_intercept_reps#返回斜率和截距 案例中利用新定义的指数作为抽取哪些变量的计量，完成了bootstrap sample的过程。 然鹅，datacamp的老师并没有继续使用奥巴马的案例完成后面的工作，而是选用了之前妇女生育率和文盲率的案例进行分析（- - 我也没看懂），不过代码大致是相同的： # Generate replicates of slope and intercept using pairs bootstrap bs_slope_reps, bs_intercept_reps = draw_bs_pairs_linreg(illiteracy,fertility,1000) # Compute and print 95% CI for slope print(np.percentile(bs_slope_reps, [2.5,97.5])) # Plot the histogram _ = plt.hist(bs_slope_reps, bins=50, normed=True) _ = plt.xlabel('slope') _ = plt.ylabel('PDF') plt.show() output： [ 0.04378061 0.0551616 ] # Generate array of x-values for bootstrap lines: x x = np.array([0,100]) # Plot the bootstrap lines for i in range(100): _ = plt.plot(x, bs_slope_reps[i]*x + bs_intercept_reps[i], linewidth=0.5, alpha=0.2, color='red') # Plot the data _ = plt.plot(illiteracy,fertility,marker='.',linestyle='none') # Label axes, set the margins, and show the plot _ = plt.xlabel('illiteracy') _ = plt.ylabel('fertility') plt.margins(0.02) plt.show() output： thats all thank you~ 数据和方案来自：https://campus.datacamp.com/courses/statistical-thinking-in-python-part-2/bootstrap-confidence-intervals?ex=1 课程讲义：https://github.com/chenchutong/DESOLATION_ROW/blob/master/slides/ch2_slides.pdf
