为列中的每个唯一值返回数据value的限号行

Question

我有一个数据，充满了不同地区分配的引线，其总长度为600 K行。我想返回一个数据，从每个地区400记录，但无法找到这样做的方法。

下面是我到目前为止对一个样本数据集的了解：

原始数据集：

                              Account Name   Territory            group
366663                       THOMPSON RAY E  South Carolina175    g7
529113            SOUTHERN TRADITION REALTY  South Carolina175    g7
143584            DELANCO INSPECTION CENTER      New Jersey221    g6
17636                   ONE VISION ELECTRIC      New Jersey221    g6
561095         SIMPLEFLOORS NORTH HOLLYWOOD       Texas73         g11
306094                    TEXAS REALTY CAFE       Texas73         g11 

假设我想返回最后数据集中的每个区域中的一个:期望的输出：

                              Account Name   Territory            group
366663                       THOMPSON RAY E  South Carolina175    g7
143584            DELANCO INSPECTION CENTER      New Jersey221    g6
561095         SIMPLEFLOORS NORTH HOLLYWOOD       Texas73         g11

我不在乎在最终结果中返回来自每个区域的哪些记录，只是每个区域的记录数量相同(实际上，我希望每个区域的记录超过1条，这样子集上的drop_duplicates就不能工作了)。

我试过使用groupby，但是除了在每个地区创建所有记录的组之外，我想不出如何做任何事情。任何帮助都很感激。谢谢。

Answer 1

使用groupby和sample

>>> df.groupby("Territory").sample(1)
                        Account Name          Territory group
143584     DELANCO INSPECTION CENTER      New Jersey221    g6
529113     SOUTHERN TRADITION REALTY  South Carolina175    g7
561095  SIMPLEFLOORS NORTH HOLLYWOOD            Texas73   g11

Answer 2

您也可以使用cumcount (计数器从0开始)

# N = 1  (or N = 400)
>>> df[df.groupby('Territory').cumcount() < N]
                        Account Name          Territory group
366663                THOMPSON RAY E  South Carolina175    g7
143584     DELANCO INSPECTION CENTER      New Jersey221    g6
561095  SIMPLEFLOORS NORTH HOLLYWOOD            Texas73   g11