pandas sample() 随机抽取样本

看过来

《pandas 教程》持续更新中，提供建议、纠错、催更等加作者微信: gairuo123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

pandas 的 sample 方法用于从 DataFrame 或 Series 中随机抽取样本。它可以用于数据抽样、生成测试数据、或对数据进行随机化处理。

适用数据类型

DataFrame
Series
pandas.core.groupby.DataFrameGroupBy.sample
pandas.core.groupby.SeriesGroupBy.sample

语法

DataFrame 的语法

语法如下：

DataFrame.sample(
    n=None, 
    frac=None, 
    replace=False, 
    weights=None, 
    random_state=None, 
    axis=None, 
    ignore_index=False
)

参数

n：整数，可选。要返回的随机样本数。如果指定了 frac，则忽略此参数。
frac：浮点数，可选。要返回的样本占总行数或列数的比例（在 0 和 1 之间）。如果指定了 n，则忽略此参数。
replace：布尔值，默认值为 False。是否允许重采样（即样本可以重复）。
weights：str 或者 ndarray-like，可选。每一行的抽样权重。如果没有指定，则每一行被选中的概率相同。
random_state：整数或 numpy.random.RandomState，可选。随机数生成器的种子。如果没有指定，则使用系统时间。
axis：{0 or ‘index’, 1 or ‘columns’}，默认 0。抽样的轴，0 代表行，1 代表列。
ignore_index：布尔值，默认值为 False。如果为 True，则忽略原始索引，将返回的样本索引重置。

返回值

返回与输入类型相同的对象（即 DataFrame 或 Series）。

使用场景

从数据集中随机抽取样本进行分析。
生成随机子集以用于测试或验证。
数据随机化，以打破原始数据顺序的影响。

示例

示例 1：从 DataFrame 中抽取固定数量的随机样本

import pandas as pd

# 构造示例数据
data = pd.DataFrame({
    'A': range(10),
    'B': [x ** 2 for x in range(10)]
})

# 从 DataFrame 中抽取 3 个随机样本
sampled_data = data.sample(n=3, random_state=1)

# 输出结果
print(sampled_data)

输出：

示例 2：从 Series 中抽取固定比例的随机样本

import pandas as pd

# 构造示例数据
data = pd.Series(range(10))

# 从 Series 中抽取 30% 的随机样本
sampled_data = data.sample(frac=0.3, random_state=1)

# 输出结果
print(sampled_data)

输出：

2    2
9    9
6    6
dtype: int64

示例 3：使用权重从 DataFrame 中抽样

import pandas as pd

# 构造示例数据
data = pd.DataFrame({
    'A': range(10),
    'B': [x ** 2 for x in range(10)]
})

# 指定权重
weights = [0.1] * 5 + [0.02] * 5

# 根据权重抽取 3 个随机样本
sampled_data = data.sample(n=3, weights=weights, random_state=1)

# 输出结果
print(sampled_data)

输出：

示例 4：允许重采样

import pandas as pd

# 构造示例数据
data = pd.DataFrame({
    'A': range(10),
    'B': [x ** 2 for x in range(10)]
})

# 允许重采样，抽取 15 个样本
sampled_data = data.sample(n=15, replace=True, random_state=1)

# 输出结果
print(sampled_data)

输出：

分组采样

语法是 GroupBy.sample(n=None, frac=None, replace=False, weights=None, random_state=None)，从每组中随机返回一个项目样本。您可以使用random_state进行再现。

df = pd.DataFrame(
    {"a": ["red"] * 2 + ["blue"] * 2 + ["black"] * 2, "b": range(6)}
)
df
       a  b
0    red  0
1    red  1
2   blue  2
3   blue  3
4  black  4
5  black  5

# 为a列中的每个不同值随机选择一行。
# random_state参数可用于保证再现性：
df.groupby("a").sample(n=1, random_state=1)
       a  b
4  black  4
2   blue  2
1    red  1

# 将 frac 设置为采样固定比例，而不是计数：
df.groupby("a")["b"].sample(frac=0.5, random_state=2)
5    5
2    2
0    0
Name: b, dtype: int64

# 通过设置权重来控制组内的样本概率：
df.groupby("a").sample(
    n=1,
    weights=[1, 1, 1, 0, 0, 1],
    random_state=1,
)
       a  b
5  black  5
2   blue  2
0    red  0

通过这些示例，我们可以看到如何使用 sample 方法从 DataFrame 或 Series 中抽取随机样本。该方法在数据分析和处理过程中非常有用，特别是在需要随机化数据或生成子集时。

参考

https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.sample.html
https://pandas.pydata.org/docs/reference/api/pandas.core.groupby.DataFrameGroupBy.sample.html