从 MultiIndex DataFrame 采样

Question

我正在使用名为 df_data 的 MultiIndex pandas DataFrame 中的以下面板数据：

              y         x
n   time                    
0   0     0.423607 -0.307983
    1     0.565563 -0.333430
    2     0.735979 -0.453137
    3     0.962857  1.671106
1   0     0.772304  1.221366
    1     0.455327 -1.024852
    2     0.864768  0.609867
    3     0.334429 -2.567936
2   0     0.435553 -0.259228
    1     0.221501  0.484677
    2     0.773628  0.650288
    3     0.293902  0.566452

n 索引个人（有 500 个），t 索引时间。这是一个平衡的面板。我想创建一个随机样本 nn=100 个人替换。此外，如果某个人进入随机样本，则该人的所有 4 次观测值 (t=0,1,2,3) 都应分配给该样本。

以下行几乎是我想要的：

df_sample = df_data.loc[np.random.randint(3, size=100).tolist()]

但是，它不会重复对个人进行抽样。因此，如果创建的随机变量列表是 [2, 3, 2, 4, 1, ...]，则第三个个体（索引 = 2 是第三个个体）仅被选择一次，而不是两次进入随机样本。这意味着只要上面的随机向量不止一次地包含同一个人，我最终在随机样本中得到的个人少于 100 个（每个人有 4 次观察）。 我也尝试了df_data.samplefunction，但我似乎无法处理面板中的特定多级索引。 我可以编写各种循环来完成这项工作，但我认为应该有一种更简单（更快）的方法来做到这一点。 我在 Python 3.5 上，我使用的是 pandas 0.17.1 版。 谢谢。

Answer 1

一个简单的解决方案：

subindex = df.index.get_level_values('sub_index')
sample_ids = np.random.choice(subindex, 5, replace=True)
sample = df[subindex.isin(sample_ids)].copy()

Answer 2

您可以使用itertools.product 快速生成需要选择的格式，其中包含来自MultiIndex 的重复项：

样本数据：

from itertools import product
individuals = list(range(500))
time = (0, 1, 2, 3,)
index = pd.MultiIndex.from_tuples(list(product(individuals, time)))
df = pd.DataFrame(data={'A': np.random.random(size=2000), 'B': np.random.random(size=2000)}, index=index)

              A         B
0   0  0.208461  0.842118
    1  0.481681  0.096121
    2  0.420538  0.922363
    3  0.859182  0.078940
1   0  0.171162  0.255883
    1  0.338864  0.975492
    2  0.270533  0.504605
    3  0.691041  0.709189
2   0  0.220405  0.925001
    1  0.811951  0.479795
    2  0.010527  0.534866
    3  0.561204  0.915972
3   0  0.813726  0.083478
    1  0.745100  0.462120
    2  0.189111  0.552039
    3  0.006141  0.622969

使用product 将np.random.randint 的结果与time 值组合：

sample_ix = np.random.randint(low=0, high=500, size=100)

len(np.unique(sample_ix))

91

sample_multi_ix = list(product(sample_ix, time))

[(55, 0), (55, 1), (55, 2), (55, 3), (254, 0), (254, 1), (254, 2), (254, 3), ...]

并相应地选择：

sample = df.loc[sample_multi_ix, :]
sample.info()

MultiIndex: 400 entries, (55, 0) to (135, 3)
Data columns (total 2 columns):
A    400 non-null float64
B    400 non-null float64
dtypes: float64(2)
memory usage: 9.4+ KB

如果你想要一个独特的sampleindex，你可以添加：

sample.index = pd.MultiIndex.from_tuples(list(product(list(range(100)), time))) 

MultiIndex: 400 entries, (0, 0) to (99, 3)
Data columns (total 2 columns):
A    400 non-null float64
B    400 non-null float64
dtypes: float64(2)

Answer 3

这对我有用，它是其他答案的一种组合：

subindex = df.index.get_level_values('id')
sample_ids = np.random.choice(subindex, 5, replace=False)
sample = df.loc[sample_ids]

我使用的是索引为 ["id", "other"] 的 df。它返回了 5 个 id 及其所有相关“其他”的样本。