C++ 使用std::sample的样本数据集

使用std::sample的样本数据集

std::sample()算法从一系列值中随机抽取样本，并将样本填充到目标容器中。这对于分析较大的数据集很有用，其中随机样本被视为整体的代表。

一个样本集允许我们近似大量数据的特征，而无需分析完整的数据集。这在许多情况下提供了效率与准确性之间的公平权衡。

如何做……
在本示例中，我们将使用一个包含200,000个随机整数的数组，这些整数服从标准正态分布。我们将抽取几百个值来创建每个值的频率直方图。

我们将从一个简单的函数开始，该函数从double返回四舍五入的int。标准库缺少这样的函数，但我们在后面会用到它：

int iround(const double& d) {  
    return static_cast<int>(std::round(d));  
}

标准库提供了几个版本的std::round()，包括一个返回long int的版本。但我们需要一个int，这是一个简单的解决方案，可以避免编译器关于缩窄转换的警告，同时隐藏了难看的static_cast。

在main()函数中，我们将从一些有用的常量开始：

int main() {  
    constexpr size_t n_data{ 200000 };  
    constexpr size_t n_samples{ 500 };  
    constexpr int mean{ 0 };  
    constexpr size_t dev{ 3 };  
    // ...  
}

我们为n_data和n_samples赋值，分别用于数据和样本容器的大小。我们还为mean和dev赋值，它们是随机值正态分布的均值和标准差参数。

现在我们设置随机数生成器和分布对象。这些用于初始化源数据集：

std::random_device rd;  
std::mt19937 rng(rd());  
std::normal_distribution<> dist{ mean, dev };

random_device对象提供了对硬件随机数生成器的访问。mt19937类是Mersenne Twister随机数算法的实现，该算法在大多数系统上表现良好，适用于我们使用的数据集大小。normal_distribution类提供了围绕均值的标准差分布的随机数。

现在，我们用n_data个随机整数值填充一个数组：

std::array<int, n_data> v{};  
for(auto& e : v) e = iround(dist(rng));

数组容器的大小是固定的，因此模板参数包括一个size_t值，用于指定要分配的元素数量。我们使用一个for()循环来填充数组。

rng对象是硬件随机数生成器。它传递给dist()，我们的normal_distribution对象，然后传递给iround()，我们的整数四舍五入函数。

此时，我们有一个包含200,000个数据点的数组。要分析的数据很多，因此我们将使用sample()算法来抽取500个值的样本：

std::array<int, n_samples> samples{};  
std::sample(v.begin(), v.end(), samples.begin(), n_samples, rng);

我们定义了另一个数组对象来保存样本。这个数组的大小是n_samples。然后我们使用sample()算法将数组填充为n_samples个随机数据点。

我们创建一个直方图来分析样本。map结构非常适合这个目的，因为我们可以轻松映射每个值的频率：

std::map<int, size_t> hist{};  
for (const int i : samples) ++hist[i];

for()循环从samples容器中获取每个值，并将其用作map中的键。增量表达式++hist[i]计算样本集中每个值的出现次数。

我们使用C++20的format()函数打印直方图：

constexpr size_t scale{ 3 };  
std::cout << std::format("{:>3} {:>5} {:<}/{}\n", "n", "count", "graph", scale);  
for (const auto& [value, count] : hist) {  
    std::cout << std::format("{:>3} ({:>3}) {}\n", value, count, std::string(count / scale, '*'));  
}

format()说明符（如{:>3}）为一定数量的字符留出空间。尖括号指定对齐方式，左对齐或右对齐。

string(count, char)构造函数创建一个字符串，其中指定的字符重复指定次数，在这种情况下，n个星号字符*，其中n是count/scale，即直方图中值的频率除以scale常量。

输出看起来像这样：

$ ./sample  
  n count graph/3  
-9 (  2)   
-7 (  5) *  
-6 (  9) ***  
-5 ( 22) *******  
// ... (其他值)

这是一个直方图的漂亮图形表示。第一个数字是值，第二个数字是该值的频率，星号是频率的可视化表示，其中每个星号代表样本集中scale（3）次出现。

每次运行代码时，您的输出都会有所不同。

它是如何工作的……
std::sample()函数从源容器的随机位置选择特定数量的元素，并将它们复制到目标容器。

sample()的签名如下：

template< class RandomIt, class Size, class UniformRandomBitGenerator >  
RandomIt sample( RandomIt first, RandomIt last, Size n, UniformRandomBitGenerator&& g );  
template< class RandomIt, class OutputIt, class Size, class UniformRandomBitGenerator >  
OutputIt sample( RandomIt first, RandomIt last, OutputIt d_first, Size n, UniformRandomBitGenerator&& g );

前两个参数是包含完整数据集的容器的begin()和end()迭代器。第三个参数是样本的目的地迭代器。第四个参数是样本大小，最后一个参数是随机数生成器函数。

sample()算法使用均匀分布，因此每个数据点被抽样的机会相同。