如何提取Python列表中一定比例的均匀分布元素？

Question

我有一个数据点列表。对于我的程序的完整运行，我将使用所有数据点，但是为了测试代码，我想只使用它们中的一小部分，以便程序在短时间内运行。不过，我不想简单地采用列表的前n个元素;我想从列表中选择元素的均匀分布。因此，如果我使用50％的数据点，我可能希望每隔一个数据点从数据点列表中进行选择。

基本上，我想要一个以列表和百分比作为参数的函数，并返回一个由输入列表中的偶数元素分布组成的列表，其数量尽可能接近请求的百分比。

这样做的好方法是什么？

Answer 1

为完整起见，请考虑以下事项。

问题可以分为两部分：

1. 在给定一定百分比或分数的情况下，确定要挑选的元素数量。

2. 选择列表中应选择的元素。

第一点是直截了当。如果您希望获得列表的percentage = 35. #%，那么您最好选择round(len(my_list) * (percentage / 100.))个元素。请注意，仅当len(my_list)是(percentage / 100.)的倍数时，您才能获得完全正确的百分比。这种不准确性是不可避免的，因为连续测量（百分比）被转换为离散测量（nbr。元素）。

第二点将取决于您应该返回哪个元素的特殊要求。选择尽可能均匀分布的元素是可行的，但肯定不是最简单的方法。

以下是您如何在概念上执行此操作（请参阅下面的实现）：

如果您有一个长度l的列表，那么您需要将某个平均分布的分数f（f = percentage / 100.）包含在内，您必须将列表中的索引加入到大小为round(l * f)的{​​{1}}个箱子。你想要的是每个箱子中最核心元素的列表。

为什么这样做？

对于第一点，请注意，如果我们制作大小为l / round(l * f)的分档，我们最后会得到l / round(l * f)个分箱。哪个是理想的数量（见上文第1点）。如果对于每个这些大小相同的箱子，我们选择最中心的元素，我们得到尽可能均匀分布的元素列表。

这是一个简单的（既不是速度优化也不是非常漂亮）的实现：

l / l / round(l * f) = round(l * f)

我们现在可以将这个理想算法（equal_dist_els）与@jonrsharpe的切片方法进行比较：



请参阅下面的代码。

沿着x轴是要返回的元素的希望部分，并且在y轴上是所需分数和两种方法返回的分数之间的绝对差。我们看到，对于大约0.7（~70％）的分数，切片方法的偏差是显着的，即如果要求~70％切片方法返回所有元素（100％），这是几乎45％的偏差。 / p>

总之，我们可以说@jonrsharpe的切片方法适用于小分数（from bisect import bisect_left def equal_dist_els(my_list, fraction): """ Chose a fraction of equally distributed elements. :param my_list: The list to draw from :param fraction: The ideal fraction of elements :return: Elements of the list with the best match """ length = len(my_list) list_indexes = range(length) nbr_bins = int(round(length * fraction)) step = length / float(nbr_bins) # the size of a single bin bins = [step * i for i in xrange(nbr_bins)] # list of bin ends # distribute indexes into the bins splits = [bisect_left(list_indexes, wall) for wall in bins] splits.append(length) # add the end for the last bin # get a list of (start, stop) indexes for each bin bin_limits = [(splits[i], splits[i + 1]) for i in xrange(len(splits) - 1)] out = [] for bin_lim in bin_limits: f, t = bin_lim in_bin = my_list[f:t] # choose the elements in my_list belonging in this bin out.append(in_bin[int(0.5 * len(in_bin))]) # choose the most central element return out ）但在选择较大分数时变得越来越不准确。另请注意，不准确性与列表长度无关。实际上，分箱算法实现起来稍微复杂一些，而且很可能也慢得多。然而，它的不准确性只是上面提到的不可避免的不准确性，随着列表长度的增加而减少。

图表的代码：

>>0.1

Answer 2

这可以通过设置带有步骤的切片来实现：

def select_elements(seq, perc):
    """Select a defined percentage of the elements of seq."""
    return seq[::int(100.0/perc)]

使用中：

>>> select_elements(range(10), 50)
[0, 2, 4, 6, 8]
>>> select_elements(range(10), 33)
[0, 3, 6, 9]
>>> select_elements(range(10), 25)
[0, 4, 8]

您还可以添加round，因为int会截断：

>>> int(3.6)
3
>>> int(round(3.6))
4

如果您想使用比例而不是百分比（例如0.5而不是50），只需将100.0替换为1。