尝试从列表中生成随机数据

Question

我正在尝试为项目生成数据。数据需要从预定义的列表中随机生成。本质上，我有真实数据，但它非常小。为了构建一些分类器（决策树、支持向量机和朴素贝叶斯），我想产生 100,000 个观察值。

我是编码新手（我可以在 Matlab 和 R 中做一些基本的事情）并且最初尝试在 Excel 中这样做，但是，RANDOMA 函数生成的数据分布非常均匀。更具体地说，我使用 5 条人口统计信息来预测客户会选择哪个零售商 select，例如零售商 A、B 或 C。人口统计信息列表如下：

1) 年龄段（18-24、25-34、35-44、45-54、55+） 2）性别（男或女） 3) 收入组（<1万英镑、1万-1.99万英镑、2万-2.99万英镑等） 4）地区（伦敦、威尔士、苏格兰、北爱尔兰、西南部等） 5) 工作类型（全职、兼职、学生等）

当我尝试随机创建 100,000 个观察值时（每个观察值从 5 个列表中随机 selected 1），它们几乎平均分布。更糟糕的是，我随机分配给零售商的值（A、B 或 C）也相等。

我的想法是将这些随机生成的数据拆分为训练数据和测试数据，这样我就可以构建一些模型并测试它们的适用性。

Answer 1

我不知道您的数据的典型分布，但以下内容应该可以帮助您入门。

library(tidyverse)
set.seed(315) # This will create the same data set each run
n.size <- 500

myData <- tibble(
ID = 1:n.size,
VisitDT = lubridate::today()-30 - (runif(n.size) * 100),
IncomeGroup = sample(c("Low", "Medium", "High" ), n.size, prob = c(.7, .25, .05), replace = TRUE),
age = round(rnorm(n = n.size, mean = 52, sd = 10),2),
sex = sample (c('M', 'F'), size = n.size, prob = c(.4, .6), replace = TRUE),
region = sample (c('London', 'Wales', 'Scotland'), size = n.size, prob = c(.4,.3,.2), replace = TRUE),
Treatment = sample(c('No','Yes'), size = n.size, prob = c(.1, .9), replace = TRUE)
)

Answer 2

在 Matlab 中，您最好的朋友将是此任务的 randsample 函数（参考 here），它是 Statistics Toolbox 的一部分。让我们举一个关于你的性别变量的例子：

% possible values (M for male and F for female)
% since it's a qualitative variable, let's use the categorical type
var = categorical({'M' 'F'});

prob = [0.55 0.45]; % corresponding probabilities
n = 100000; % sample size
repl = true; % replacement (true = yes, false = no)

gender = randsample(var,100000,repl,prob);

您可以使用相同的方法生成有关Region 和Job 的样本。现在让我们用您的 Age 变量再举一个例子。

var = 1:100; % possible values (age from 1 to 100 years)
n = 100000; % sample size
repl = true; % replacement (true = yes, false = no)

% the probability argument is not provided, hence the result is equally distributed
age = randsample(var,100000,repl);

由于您想将年龄样本分成不同的组，因此 histcounts 将边缘作为第二个参数为您完成：

age_grps = histcounts(age,[0 18 25 35 45 55 100]);

% remove the first column if you want to esclude people from 0 to 17 years
age_grps(1) = [];

您可以使用相同的方法生成收入样本。

据我所知，您主要关心的是变量的均匀分布。我将向您展示如何为 randsample 函数（prob 参数）中的每个可能值设置不同的概率。

尝试从列表中生成随机数据

Trying to Generate Random Data from Lists

excel

matlab

r

data-generation