基于条件和样本量的熊猫数据样本

Question

代码：

import pandas as pd

df = pd.DataFrame({'data': list(range(100))})

我想取一个20码的样本，这样80%的元素在0到10之间，20%在50到70之间。(随机抽样)。

我想要一种适用于任意数量条件的方法。

我的想法是可行的，但不是干净的:对所有介于0到10之间的东西进行采样，取80% * 20行随机行，对其余的值执行同样的操作，并进行连接。是否有一种熊猫-我可以使用，因为这不能很好地适应更多的条件？

Answer 1

你可以用垃圾桶和一本比例大小的字典来取样。

      # ┌─0─┐┌─1─┐┌─2─┐┌─3───┐
bins = [-1, 10, 50, 70, float('inf')]
fraction = {0: 0.8, 2: 0.2} # group 0 is -1-10, group 2 is 50-70
size = 20

groups = pd.cut(df['data'], bins=bins, labels=range(len(bins)-1))

sampled = (df
  .groupby(groups)['data']
  .apply(lambda g: g.sample(n=int(fraction.get(g.name, 0)*size),
                            replace=True)
        )
  #.droplevel(0)
 )

注意：我在这里的示例中使用了replace=True，否则不可能从组0-10中获得16个唯一元素，但是您可以在真实的条件数据中更改这一点，这是安全的。另外，添加.droplevel(0)以移除组id。

产出：

data    
0     6      6
      8      8
      2      2
      3      3
      0      0
      0      0
      6      6
      0      0
      6      6
      3      3
      10    10
      3      3
      8      8
      8      8
      8      8
      2      2
2     54    54
      53    53
      62    62
      64    64
Name: data, dtype: int64