在 pandas DataFrame 中，如何添加显示随机选择结果的列？答案

【问题标题】：In pandas DataFrame, how to add column showing random selection result?在 pandas DataFrame 中，如何添加显示随机选择结果的列？
【发布时间】：2018-07-15 21:05:35
【问题描述】：

我到处都看到了如何在 pandas 中随机选择 DataFrame 行（有和没有 numpy）。我没有找到的是如何向 DataFrame 添加一列，以指示是否随机选择了一行。具体来说，我需要

1) 按 A 列中的值对行进行分组

2) 每组随机选取10行不放回

3) 添加一列 B 以指示是否选择了每一行 (TRUE/FALSE)。

结果应该是原始 DataFrame（即未分组），每行添加 TRUE/FALSE 列（这意味着，在其组内，该行是在随机选择期间选择的）。

我正在使用 python 3.6.2、pandas 0.20.3、numpy 1.13.1。

编辑以响应 cmets：

对于这个小数据样本，我们现在假设每个 ImageType 分组随机选择 2 行而不进行替换。是的，数据样本不是每个 ImageType 至少有 2 个。请理解，小数据集是为了防止发太长的帖子。

数据看起来像这样（有数千行）：

+-----------+---------------------+
| ImageType |      FileName       |
+-----------+---------------------+
|         9 | PIC_001_01_0_9.JPG  |
|         9 | PIC_022_17_0_9.JPG  |
|        38 | PIC_100_00_0_38.jpg |
|         9 | PIC_293_12_0_9.JPG  |
|         9 | PIC_381_14_0_9.JPG  |
|        33 | PIC_001_17_2_33.JPG |
|         9 | PIC_012_07_0_9.JPG  |
|        28 | PIC_306_00_0_28.jpg |
|        28 | PIC_178_08_0_28.JPG |
|        26 | PIC_225_11_0_26.JPG |
|        18 | PIC_087_16_0_18.JPG |
|         9 | PIC_089_18_0_9.JPG  |
|        19 | PIC_090_18_0_19.JPG |
|         9 | PIC_091_18_0_9.JPG  |
|        19 | PIC_092_18_2_19.JPG |
|        23 | PIC_270_14_0_23.JPG |
|        13 | PIC_271_14_0_13.JPG |
+-----------+---------------------+

代码只是从 .csv 读取，但要重新创建上面的示例数据：

import pandas as pd
df = pd.DataFrame({'ImageType': ['9','9','38','9','9','33','9','28','28','26',
                                 '18','9','19','9','19','23','13'],
                   'FileName': ['PIC_001_01_0_9.JPG','PIC_022_17_0_9.JPG',
                                'PIC_100_00_0_38.jpg','PIC_293_12_0_9.JPG',
                                'PIC_381_14_0_9.JPG','PIC_001_17_2_33.JPG',
                                'PIC_012_07_0_9.JPG','PIC_306_00_0_28.jpg',
                                'PIC_178_08_0_28.JPG','PIC_225_11_0_26.JPG',
                                'PIC_087_16_0_18.JPG','PIC_089_18_0_9.JPG',
                                'PIC_090_18_0_19.JPG','PIC_091_18_0_9.JPG',
                                'PIC_092_18_2_19.JPG','PIC_270_14_0_23.JPG',
                                'PIC_271_14_0_13.JPG']})
# group by ImageType
# select 2 rows randomly in each group, without replacement
# add a column to original DataFrame to indicate selected rows

【问题讨论】：

你能创建一些示例数据和预期的输出吗？
将尽快提供。现在，让我说每个列/系列 dtype 都是对象（在这种情况下为文本），用于分组的列 A 大约有 10 个不同的值。
您所要求的可能并不太难，但是如果人们有一些代码可以剪切和粘贴来重现您的情况，那么他们回答您的问题会容易得多。更多：minimal reproducible example 和 How to make good reproducible pandas examples。
@pault 感谢您的建议。添加了示例数据和代码。
您可能还会发现this post 很有帮助。

标签： python pandas numpy

【解决方案1】：

def get_sample(df, n=2):
    if len(df) <= n:
        df['Sampled'] = True
    else:
        s = df.sample(n=n)
        df['Sampled'] = df.apply(lambda x: x.name in s.index, axis=1)
    return df

grouped = df.groupby('ImageType')
new_df = grouped.apply(get_sample)

print(new_df)

               FileName ImageType  Sampled
0    PIC_001_01_0_9.JPG         9    False
1    PIC_022_17_0_9.JPG         9    False
2   PIC_100_00_0_38.jpg        38     True
3    PIC_293_12_0_9.JPG         9     True
4    PIC_381_14_0_9.JPG         9    False
5   PIC_001_17_2_33.JPG        33     True
6    PIC_012_07_0_9.JPG         9    False
7   PIC_306_00_0_28.jpg        28     True
8   PIC_178_08_0_28.JPG        28     True
9   PIC_225_11_0_26.JPG        26     True
10  PIC_087_16_0_18.JPG        18     True
11   PIC_089_18_0_9.JPG         9     True
12  PIC_090_18_0_19.JPG        19     True
13   PIC_091_18_0_9.JPG         9    False
14  PIC_092_18_2_19.JPG        19     True
15  PIC_270_14_0_23.JPG        23     True
16  PIC_271_14_0_13.JPG        13     True

如果组中的选项数量少于样本数量，它将对所有选项进行抽样。

【讨论】：