使用 Pandas 仅获取 DataFrame 的样本

Question

我有一个 DataFrame，它有两列 content 和 target。 DataFrame 有 1.000.000 行长，这是目标的分布：

• 目标 = 0 (100.000)
• 目标 = 1 (400.000)
• 目标 = 2 (500.000)

我需要在 DataFrame 中获得相同数量的目标值，所以我使用 sample() 来只获得目标为 x 的固定数量的行，这是我正在使用的代码：

samples = 100000
dataset[dataset['target'] == 0] = dataset[dataset['target'] == 0].sample(n=samples, axis=0)
dataset[dataset['target'] == 1] = dataset[dataset['target'] == 1].sample(n=samples, axis=0)
dataset[dataset['target'] == 2] = dataset[dataset['target'] == 2].sample(n=samples, axis=0)

例如，如果在执行后我访问 dataset[dataset['target'] == 2]，它将 return 形状为 (100000, 2) 但仅访问 dataset return 完全 与以前相同的数据集，我做错了什么？

Answer 1

由于您在每个 Target 中采样的样本较少，您可以使用 groupby().sample:

# random_state for repeatability. Remove if needed
dataset = dataset.groupby('target').sample(n=samples, random_state=42)