我有15个样本，做回归分析有点小。
有人告诉我，使用自举技术增加样本数量将使我的数据更有统计意义。所以我试过了。
我第一次尝试的是通过在Python中学习scikit的"重采样"功能，使我的样本数从15个增加到1000个。
http://scikit-learn.org/stable/modules/generated/sklearn.utils.resample.html
但当我看到"resample"函数的源代码时，似乎并没有任何关于自举的内容。
所以，以下是我的问题。
Q1：使用Bootstrapping技术将15个样本重新采样到1000个有统计学意义吗？
Q2：如果是，如何在Python环境中实现？
谢谢。
Q1。虽然bootstrap本身是一种广泛使用且在统计上有效的技术，但15个样本可能太小，无法做任何有用的事情。
你觉得这15个样本代表了你感兴趣的人群，可能有特定领域的原因。在这种情况下，你可以使用bootstrap。您可能需要考虑的一件事是将引导与数据中的变化相结合。即，每次对数据进行重采样时，向新数据添加一些噪声，然后将其附加到原始数据集。
这是一个很好的资源，可以了解引导技术及其变体：http://www.stat.cmu.edu/~cshalizi/402/讲座/08引导程序/讲座-08.pdf
Q2.你使用sklearn功能走在了正确的轨道上。如在文档中，重采样函数实现了引导的一个步骤。
基本上，您需要做的是运行一个循环，该循环对原始数据调用重采样函数，并将其附加到新的DataFrame，直到新DataFrame的大小为1000。注意：新的DataFrame还应该包含原始数据。
重采样函数将返回随机选择的数据子集。随机子集中的观测次数等于n_samples的值。例如，如果将n_samples设置为10，则替换函数将返回10个数据点。如果将n_samples设置为15，则每次重采样都将返回整个数据集。
您需要考虑的另一个参数是替换。如果replace为True，则原始数据中的数据点可以在replace返回的子集中重复。如果替换为False，则原始数据中的每个数据点在子集中只能出现一次。
这些参数的选择将取决于您所拥有的数据，但合理的方法可能是设置n_samples<15和replace=True以增加重采样返回的数据的变化。