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：

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：

数据集由 4 列 150 行。

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。Pythonpandas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：

在这种情况下，可以将参数传递n给sample()函数，如下所示：

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：

这给出了以下输出：

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：

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。

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：

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：

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：

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：

然后，您只需提取样本：

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：

这给出了以下输出：

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：

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：