Accéder au contenu principal

Cours

L’échantillonnage en Python

IntermédiaireNiveau de compétence

Actualisé 01/2025

Apprenez à tirer des conclusions de données limitées avec Python et les statistiques, incluant l’échantillonnage aléatoire, stratifié et en grappes.

Commencer Le Cours Gratuitement

PythonProbability & Statistics4 h15 vidéos51 Exercices4,000 XP53,053Certificat de réussite.

Créez votre compte gratuit

ou

En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.

Apprécié par des utilisateurs provenant de milliers d'entreprises

Former 2 personnes ou plus ?

Essayez DataCamp for Business

Description du cours

L’échantillonnage en Python est la pierre angulaire des statistiques d’inférence et des tests d’hypothèse. Il s’agit d’une compétence puissante utilisée dans l’analyse d’enquêtes et la conception d’expériences pour tirer des conclusions sans interroger l’ensemble de la population. Dans ce cours sur l’échantillonnage en Python, vous découvrirez quand utiliser l’échantillonnage et comment effectuer les types d’échantillonnage courants, de l’échantillonnage aléatoire simple à des méthodes plus complexes comme l’échantillonnage stratifié et l’échantillonnage en grappes. À l’aide d’ensembles de données réels, tels que les scores de café, les chansons Spotify et l’attrition des employés, vous apprendrez à estimer les statistiques de la population et à quantifier l’incertitude de vos estimations en générant des distributions d’échantillonnage et des distributions Bootstrap.

Prérequis

Introduction to Statistics in Python

1

Introduction to Sampling

Learn what sampling is and why it is so powerful. You’ll also learn about the problems caused by convenience sampling and the differences between true randomness and pseudo-randomness.

Sampling and point estimates

Reasons for sampling

Simple sampling with pandas

Simple sampling and calculating with NumPy

Convenience sampling

Are findings from the sample generalizable?

Are these findings generalizable?

Pseudo-random number generation

Generating random numbers

Understanding random seeds

Commencer Le Chapitre

2

Sampling Methods

It’s time to get hands-on and perform the four random sampling methods in Python: simple, systematic, stratified, and cluster.

Simple random and systematic sampling

Simple random sampling

Systematic sampling

Is systematic sampling OK?

Stratified and weighted random sampling

Which sampling method?

Proportional stratified sampling

Equal counts stratified sampling

Weighted sampling

Cluster sampling

Benefits of clustering

Performing cluster sampling

Comparing sampling methods

3 kinds of sampling

Comparing point estimates

Commencer Le Chapitre

3

Sampling Distributions

Let’s test your sampling. In this chapter, you’ll discover how to quantify the accuracy of sample statistics using relative errors, and measure variation in your estimates by generating sampling distributions.

Relative error of point estimates

Calculating relative errors

Relative error vs. sample size

Creating a sampling distribution

Replicating samples

Replication parameters

Approximate sampling distributions

Exact sampling distribution

Generating an approximate sampling distribution

Exact vs. approximate

Standard errors and the Central Limit Theorem

Population & sampling distribution means

Population & sampling distribution variation

Commencer Le Chapitre

4

Bootstrap Distributions

You’ll get to grips with resampling to perform bootstrapping and estimate variation in an unknown population. You’ll learn the difference between sampling distributions and bootstrap distributions using resampling.

Introduction to bootstrapping

Principles of bootstrapping

With or without replacement?

Generating a bootstrap distribution

Comparing sampling and bootstrap distributions

Bootstrap statistics and population statistics

Sampling distribution vs. bootstrap distribution

Compare sampling and bootstrap means

Compare sampling and bootstrap standard deviations

Confidence intervals

Confidence interval interpretation

Calculating confidence intervals

Congratulations!

Commencer Le Chapitre

L’échantillonnage en Python

Cours
terminé

Obtenez un certificat de réussite

Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolio
Partagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire Maintenant

Rejoignez plus de 19 millions d'utilisateurs et commencez L’échantillonnage en Python dès aujourd'hui !

Créez votre compte gratuit

ou

En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.

Apprenez où que vous soyez avec l'application DataCamp

Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.