Hier is een uitgebreide uitleg over samplingmethoden met Python-voorbeelden voor je Pandas DataFrame: ## 1. Eenvoudige Random Sampling ```python import pandas as pd import numpy as np # Random sampling - 20% van de data random_sample = df.sample(frac=0.2, random_state=42) # Random sampling - 100 willekeurige rijen random_sample = df.sample(n=100, random_state=42) # Met vervanging (voor bootstrap sampling) bootstrap_sample = df.sample(n=len(df), replace=True, random_state=42) ``` ## 2. Gestratificeerde Sampling op Regio ```python from sklearn.model_selection import train_test_split # Eerst de strata definiëren strata = df['Regio'] # Gestratificeerde split (80% train, 20% test) train_df, test_df = train_test_split( df, test_size=0.2, stratify=strata, random_state=42 ) # Alternatief: handmatige implementatie def stratified_sampling(df, stratum_col, sample_size): samples = [] for stratum in df[stratum_col].unique(): stratum_data = df[df[stratum_col] == stratum] stratum_sample = stratum_data.sample( n=int(sample_size * len(stratum_data)), random_state=42 ) samples.append(stratum_sample) return pd.concat(samples) # Gebruik: 30% sample per regio stratified_sample = stratified_sampling(df, 'Regio', 0.3) ``` ## 3. Systematische Sampling ```python def systematic_sampling(df, step): indices = np.arange(0, len(df), step) return df.iloc[indices] # Elke 5e rij selecteren systematic_sample = systematic_sampling(df, 5) # Percentage-based systematische sampling def systematic_sample_percentage(df, percentage): step = int(1 / percentage) return systematic_sampling(df, step) # 10% systematische sample systematic_10pct = systematic_sample_percentage(df, 0.1) ``` ## 4. Cluster Sampling (op Regio) ```python # Selecteer willekeurig enkele regio's (clusters) clusters = df['Regio'].unique() selected_clusters = np.random.choice(clusters, size=2, replace=False) # 2 clusters # Neem alle data van geselecteerde clusters cluster_sample = df[df['Regio'].isin(selected_clusters)] ``` ## Hoe kies je de juiste techniek? **Random Sampling** gebruik je wanneer: - Populatie homogeen is - Geen duidelijke subgroepen aanwezig zijn - Snel een representatieve sample nodig hebt **Gestratificeerde Sampling** is ideaal wanneer: - Belangrijke subgroepen aanwezig zijn (bv. verschillende regio's) - Je representatie van alle strata wilt garanderen - Subgroepen verschillende eigenschappen hebben **Systematische Sampling** is geschikt wanneer: - Data in willekeurige volgorde staat - Je een eenvoudige, efficiënte methode nodig hebt - Populatie homogeen is verdeeld **Cluster Sampling** gebruik je wanneer: - Natuurlijke groepen bestaan (zoals regio's) - Dataverzameling per cluster efficiënter is - Kostenbesparing belangrijk is ## Praktijkvoorbeeld voor ML: ```python # Voor machine learning: gestratificeerde split op doelvariabele X = df[['Leeftijd', 'Geslacht', 'Regio']] y = df['Aankoopbedrag'] > 100 # binaire classificatie X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, stratify=y, # behoud verhouding hoog/laag aankoopbedrag random_state=42 ) ``` Kies altijd de methode die het beste past bij je onderzoeksvraag en de structuur van je data!