Pandas 我可以使用熊猫来创建有偏差的样本吗？

我的代码使用了一个名为booking status的列，该列为1表示是，0表示否。根据booking status，将从多个其他列中提取信息-no比yes多得多，因此我想采集一个包含所有yes和相同数量no的样本

当我使用

samp = rslt_df.sample(n=298, random_state=1, weights='bookingstatus')

我得到一个错误：

ValueError:p中的非零项少于大小

---

有没有这样做的方法？

如果我们的整个数据集如下所示：

print(df)                                                                               
   c1  c2
0   1   1
1   0   2
2   0   3
3   0   4
4   0   5
5   0   6
6   0   7
7   1   8
8   0   9
9   0  10

我们可以决定使用函数从中采样。默认情况下，此函数将采样而不进行替换。也就是说，如果指定的观测值数量大于初始数据集中的观测值数量，您将收到一个错误：

df.sample(20)
ValueError: Cannot take a larger sample than population when 'replace=False'

在您的情况下，ValueError来自权重参数：

df.sample(3,weights='c1')
ValueError: Fewer non-zero entries in p than size

为了解释文档，使用c1列作为权重参数意味着c1列中值较大的行更有可能被采样。具体来说，sample函数不会从该列中拾取零值。我们可以使用以下任一方法修复此错误

方法1：将replace参数设置为true：

m1 = df.sample(3,weights='c1', replace=True)
print(m1)                                                                               
   c1  c2
0   1   1
7   1   8
0   1   1

方法2：确保n参数等于或小于c1列中的1s数：

---

如果你决定使用这种方法，你就不会真正地进行抽样。您实际上只是过滤掉c1值为0的任何行。

我最终能够做到这一点，下面是我如何做到的：

bookingstatus_count = df.bookingstatus.value_counts()
print('Class 0:', bookingstatus_count[0])
print('Class 1:', bookingstatus_count[1])
print('Proportion:', round(bookingstatus_count[0] / bookingstatus_count[1], 2), ': 1')
# Class count
count_class_0, count_class_1 = df.bookingstatus.value_counts()

# Divide by class
df_class_0 = df[df['bookingstatus'] == 0]

df_class_0_under = df_class_0.sample(count_class_1)
df_test_under = pd.concat([f_class_0_under, df_class_1], axis=0)
df_class_1 = df[df['bookingstatus'] == 1]

基于此,

---

谢谢大家

您的数据帧rslt\U df中有多少行？如果数据帧中的行数少于298行，则可能超出了要从中采样的行数限制。您可以通过设置replace=False来修复此问题。谢谢您的帮助。因此，如果我正在寻找一种方法来获取c1=1和c1=0的偶数行，那么我需要找到一种不同的方法来实现这一点。可以这样做：df[df['c1']==1]。sample2.appenddf[df['c1']==0]。sample2

bookingstatus_count = df.bookingstatus.value_counts()
print('Class 0:', bookingstatus_count[0])
print('Class 1:', bookingstatus_count[1])
print('Proportion:', round(bookingstatus_count[0] / bookingstatus_count[1], 2), ': 1')
# Class count
count_class_0, count_class_1 = df.bookingstatus.value_counts()

# Divide by class
df_class_0 = df[df['bookingstatus'] == 0]

df_class_0_under = df_class_0.sample(count_class_1)
df_test_under = pd.concat([f_class_0_under, df_class_1], axis=0)
df_class_1 = df[df['bookingstatus'] == 1]