如何从单个熊猫数据栏的值中选择大小为n的随机样本，重复值最多为2次？

Question

我的数据看起来是这样的：

Identifier       Strain     Other columns, etc.
1                  A
2                  C
3                  D
4                  B
5                  A
6                  C
7                  C
8                  B
9                  D
10                 A
11                 D
12                 D

我想随机选择n行，同时保持应变值的多样性。例如，我想要一组6，所以我希望我的最后一行至少包括每种类型的菌株中的一种，两种菌株出现两次。

我尝试过将应变列转换为numpy数组，并使用方法random.choice，但这似乎没有运行。我也尝试过使用.sample，但它并没有最大限度地提高菌株的多样性。

这是我最近的一次尝试，它按照顺序输出7大小的样本(标识符0-7)，所有菌株都是相同的。

randomsample = df[df.Strain == np.random.choice(df['Strain'].unique())].reset_index(drop=True)

Answer 1

我相信numpy有什么东西能做到这一点，但我记不起是哪一种了。下面是一个相当快速的方法：

randomness

• enumerate的数据

1. 对每个组中的行进行
2. 排序，按照
3. 上的枚举来划分顶级n行

所以在代码中：

n = 6

df = df.sample(frac=1)                      # step 1 
enums = df.groupby('Strain').cumcount()     # step 2 
        
orders = np.argsort(enums)                  # step 3
samples = df.iloc[orders[:n]]               # step 4

输出：

   Identifier Strain  Other columns, etc.
2           3      D                  NaN
7           8      B                  NaN
0           1      A                  NaN
5           6      C                  NaN
4           5      A                  NaN
8           9      D                  NaN