如何从具有频率的熊猫数据框中提取随机样本？

Question

给定 16 个颜色分布如下的球，

In[1]: df = pd.DataFrame([10,5,1],index=['red', 'green','blue'], columns=['balls'])
In[2]: df
Out[2] 
            balls
    red       10
    green      5
    blue       1

我想提取一个随机子集，例如 10 个球，例如 7 个红色、2 个绿色和 1 个蓝色。我不能使用 df.sample()，因为这只会给我一种颜色，可能由“球”加权，除非我把它放在一个循环中并同时提取 1 个球并更新剩余的球数。然而，这非常慢，当我们有 100.000 个具有 500 种颜色的球时，我们想随机提取其中的 80.000 个。 我可以列个清单，

In[3]: list = ['blue', 'blue', 'blue', ..., 'green', 'green', ..., 'blue']

并取 0 到 len(list) 之间的 10 个随机整数，但这似乎有点麻烦。 有没有简单快捷的方法来解决这个问题？

Answer 1

可以取DataFrame的index：

>>> colors = df.sample(10, replace=True, weights='balls').index
>>> colors
Index(['red', 'red', 'red', 'blue', 'red', 'red', 'red', 'red', 'blue',
       'green'],
      dtype='object')
>>> list(colors)
['red', 'red', 'red', 'blue', 'red', 'red', 'red', 'red', 'blue', 'green']

编辑：如 cmets 所述，这并不能保证对球数的限制。

为保证这一点，您需要创建一个包含所有值的 DataFrame，然后在其上调用sample(n)。

>>> n_red, n_blue, n_green = (10, 1, 5)
>>> data = ['red'] * n_red + ['blue'] * n_blue + ['green'] * n_green
>>> df = pd.DataFrame(data, columns=['balls'])
>>> list(df.sample(10)['balls'])
['red', 'green', 'red', 'green', 'green', 'red', 'green', 'red', 'red', 'blue']

请注意，您不能再对样本加权，因为它们已经通过构造加权（一种颜色的行越多，选择该颜色的可能性就越大）。