Python之pandas的三种sample采样方法
可能只需要 Python dataframe的某些行。可以通过 不同的采样(Sample)技术 实现这一结果。
在本教程中，将通过 Python Pandas 执行行采样的以下技术：
- 随机抽样
- 有条件采样
- 以恒定速率采样
加载数据集
在本教程中，我利用库
iris
提供的数据集
scikit-learn
并将其转换为
pandas
数据帧：
from sklearn.datasets import load_iris
import pandas as pd数据 = load_iris()
df = pd.DataFrame(data.data, columns=data.feature_names)
数据集由 4 列 150 行。
随机抽样
给定一个包含 N 行的dataframe，随机采样从dataframe中提取 X 随机行，其中 X ≤ N。Python
pandas
提供了一个函数，命名
sample()
为执行随机采样。
要提取的样本数量可以用两种替代方式表示：
- 指定要提取的随机行的确切数量
- 指定要提取的随机行的百分比。百分比表示为 0 到 1 之间的数字。
确切数字
在这种情况下，可以将参数传递
n
给
sample()
函数，如下所示：
subset = df.sample(n=100)
在前面的示例中，该
sample()
函数提取了 100 条随机行。您可以
subset
通过以下
shape
函数检查结果数据集的形状：
subset.shape这给出了以下输出：
(100, 4)百分比
如果要指定要提取的随机行的百分比，可以将
frac
参数作为
sample()
函数的输入传递：
subset = df.sample(frac=0.5)
在前面的示例中，该
sample()
函数提取了 50% 的随机行。请注意，您只能在
n
和
frac
参数之间指定一个。
有条件采样
带条件采样允许仅提取满足给定条件的一些行。首先，必须指定条件。例如，作为条件，您可以只选择列值
sepal width (cm)
小于 3 的行：
condition = df['sepal width (cm)'] < 3
变量
condition
是一系列大小相同的
df
，包含
True/False
，取决于行是否满足条件。
然后，检索与满足上述条件的行相关联的索引：
true_index = condition[condition == True].index在当前示例中，有 57 行满足条件，因此您最多可以采样 57 行。
该
sample()
函数可用于按如下条件进行采样：
subset = df[condition].sample(n = 10)以恒定速率采样
另一种采样策略是以恒定速率采样，这意味着您希望两个相邻样本之间的距离恒定。例如，您可能希望以 4 的速率进行采样，如下图所示：
在这种情况下，您首先指定费率：
rate = 10然后，您只需提取样本：
subset = df[::rate]
在
iris
数据集中，样本数为 150，因此采样率为 10 将生成具有 15 行的子集：
subset.shape这给出了以下输出：
(15, 4)获取数据集的剩余部分
提取数据集的子集后，还可以提取剩余部分。例如，如果您想在不使用库
train_test_split()
提供的函数的情况下拆分训练集和测试集中的数据集，则可以使用此策略
scikit-learn
。
可以采用两种可能的解决方案来提取数据集的剩余部分。两种解决方案产生相同的结果。
第一个解决方案
第一种解决方案将提取的数据帧 (
subset
)的行删除到原始数据帧中
df
，并将结果存储在新的数据帧中。这可以通过将要删除的索引列表传递给
drop()
函数来实现：
remaining = df.drop(labels=subset.index)第二种解决方案
第二种解决方案仅选择原始数据帧中的行，
df
其中索引不在提取的数据帧的索引列表中
subset
：
remaining = df[~df.index.isin(subset.index)]