按规则生成子集

Question

假设我们在数据库中有5000个用户。用户行有性别列，他/她出生的地方列和状态（已婚或未婚）列。

如何生成满足以下条件的随机子集（假设100个用户）：

• 40％应该是男性，60％应该是女性
• 50％应该在美国出生，20％出生在英国，20％出生在加拿大，10％出生在澳大利亚
• 70％应该结婚，30％不结婚。

这些条件独立，即我们不能这样做：

• （0.4 * 0.5 * 0.7）* 100 = 14名男性用户，在美国出生并已婚
• （0.4 * 0.5 * 0.3）* 100 = 6名男性用户，在美国出生但未婚。

这一代有算法吗？

Answer 1

细分是否需要精确或近似？通常，如果您要生成这样的样本，那么您正在进行一些统计学研究，因此生成近似样本就足够了。

以下是如何执行此操作：

有一个功能genRandomIndividual（）。

每次生成个体时，使用随机函数选择性别 - 男性的概率为40％

再次使用随机函数选择出生地点（只需在0-1区间生成一个实数，如果它落在0-.5，选择美国，如果是.5-.7，那么＆amp; K，如果.7- .9然后加拿大，否则澳大利亚）。

使用随机函数选择结婚状态（再次生成0-1，如果0-.7则结婚，否则不生成。）

获得一组特征后，在数据库中搜索满足这些特征的第一个人，将其添加到样本中，并将其标记为已添加到数据库中。一直这样做，你已经完成了样本量。

可能没有满足这些特征的个体。然后，只需生成一个新的随机个体。由于世代是独立的并且根据所需概率生成特征，因此最终您将具有正确大小的样本大小，其中个体根据指定的概率随机生成。

Answer 2

您可以尝试这样的事情：

• 选择随机初始设置为100
• 直到你有正确的分发（或放弃）：
  • 选择一个不在集合中的随机记录，以及一个
  的随机记录
  • 如果在另一条记录中交换让您更接近您想要的设置，请更换它们。否则，请不要。

我会使用距所需分布的距离平方和作为决定是否交换的指标。

这就是我想到的随机设置。请记住，可能没有与您所追求的分布相匹配的子集。

Answer 3

请务必注意，您可能无法找到满足这些条件的子集。举个例子，假设您的数据库只包含美国男性，而且只包含澳大利亚女性。显然，您无法生成满足分布约束的任何子集。

Answer 4

（完全重写了我的帖子（实际上，写了一个新帖子并删除了旧帖子）因为我想到了一种更简单，更有效的方法来做同样的事情。）

我假设你真的想要确切的比例，而不仅仅是平均满足它们。这是一种非常简单的方法，但根据您的数据，可能需要一段时间才能运行。

首先，安排原始数据，以便您可以轻松访问每种类型的组合，即将一群美国男性组合在一起，将未婚美国男性组合在一起，等等。然后，假设您有 p 条件并且想要选择 k 元素，请创建 p 大小为 k 的数组每;一个数组代表一个条件。使每个数组的元素成为该条件的类型，以您需要的比例。因此，在您的示例中，性别数组将包含40名男性和60名女性。

现在，独立地对每个 p 数组进行随机播放（实际上，如果你愿意，你可以保留一个未调整的数组）。然后，对于每个索引 i ，将拾取元素的类型作为索引 i 中的混乱 p 数组的组合，然后选择从原始组中的其余类型中随机选择一种此类型，删除拾取的元素。如果没有剩下该类型的元素，则算法失败，因此重新洗牌并重新开始挑选元素。

要使用它，您需要首先确保条件完全可以满足，否则它将无限循环。说实话，我没有看到一种简单的方法来验证条件是否可以满足，但是如果原始数据中的元素数量与 k 相比较大，并且它们的分布不会太偏斜，应该有解决方案。此外，如果只有几种方法可以满足条件，则可能需要很长时间才能找到条件;虽然该方法将以概率1终止，但是没有上限可以放在运行时间上。

Answer 5