Python:每组随机选择

Question

假设我有一个类似于的数据框:

Name Group_Id
AAA  1
ABC  1
CCC  2
XYZ  2
DEF  3 
YYH  3

我怎样才能为每个行随机选择一行(或多行)Group_Id？假设我想要一个随机抽奖Group_Id,我会得到:

Name Group_Id
AAA  1
XYZ  2
DEF  3

Answer 1

size = 2        # sample size
replace = True  # with replacement
fn = lambda obj: obj.loc[np.random.choice(obj.index, size, replace),:]
df.groupby('Group_Id', as_index=False).apply(fn)

Answer 2

从0.16.x以后开始pd.DataFrame.sample提供了一种从对象轴返回项目的随机样本的方法.

In [664]: df.groupby('Group_Id').apply(lambda x: x.sample(1)).reset_index(drop=True)
Out[664]:
  Name  Group_Id
0  ABC         1
1  XYZ         2
2  DEF         3

Answer 3

df.groupby('Group_Id').sample(n=1)

1.1.0 版本中的新增内容。 https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.core.groupby.DataFrameGroupBy.sample.html

Answer 4

在优雅的单行中使用groupby和random.choice:

df.groupby('Group_Id').apply(lambda x :x.iloc[random.choice(range(0,len(x)))])

Answer 5

为每组随机选择一行尝试 df.sample(frac = 1.0).groupby('Group_Id').head(1)

Answer 6

有两种方法可以非常简单地完成此操作，一种不使用基本的pandas语法以外的任何方法：

df[['x','y']].groupby('x').agg(pd.DataFrame.sample)

50k行数据集耗时14.4ms。

另一种更快的方法涉及numpy。

df[['x','y']].groupby('x').agg(np.random.choice)

使用（相同）50k行数据集需要10.9毫秒。

一般来说，使用熊猫时，最好坚持使用其本机语法。特别是对于初学者。

Answer 7

如果一个组的样本少于所需的样本量，那么所提供的解决方案就会失败n。这解决了这个问题：

n = 10
df.groupby('Group_Id').apply(lambda x: x.sample(min(n,len(x)))).reset_index(drop=True)