Python 以相同的方式对两个数据帧进行采样

我在做一个机器学习计算，有两个数据帧——一个是因子，另一个是目标值。我必须将培训和测试分为两部分。在我看来，我已经找到了方法，但我正在寻找更优雅的解决方案。这是我的密码：

import pandas as pd
import numpy as np
import random

df_source = pd.DataFrame(np.random.randn(5,2),index = range(0,10,2), columns=list('AB'))
df_target = pd.DataFrame(np.random.randn(5,2),index = range(0,10,2), columns=list('CD'))

rows = np.asarray(random.sample(range(0, len(df_source)), 2))

df_source_train = df_source.iloc[rows]
df_source_test = df_source[~df_source.index.isin(df_source_train.index)]
df_target_train = df_target.iloc[rows]
df_target_test = df_target[~df_target.index.isin(df_target_train.index)]

print('rows')
print(rows)
print('source')
print(df_source)
print('source train')
print(df_source_train)
print('source_test')
print(df_source_test)

----已编辑-由unutbu提供的解决方案（midified）---

---

如果将

行

设置为长度为

len（df）

的布尔数组，则可以使用

df[rows]

获取

True

行，使用

df[~rows]

获取

False

行：

import pandas as pd
import numpy as np
import random
np.random.seed(2013)

df_source = pd.DataFrame(
    np.random.randn(5, 2), index=range(0, 10, 2), columns=list('AB'))

rows = np.random.randint(2, size=len(df_source)).astype('bool')

df_source_train = df_source[rows]
df_source_test = df_source[~rows]

print(rows)
# [ True  True False  True False]

# if for some reason you need the index values of where `rows` is True
print(np.where(rows))  
# (array([0, 1, 3]),)

print(df_source)
#           A         B
# 0  0.279545  0.107474
# 2  0.651458 -1.516999
# 4 -1.320541  0.679631
# 6  0.833612  0.492572
# 8  1.555721  1.741279

print(df_source_train)
#           A         B
# 0  0.279545  0.107474
# 2  0.651458 -1.516999
# 6  0.833612  0.492572

print(df_source_test)
#           A         B
# 4 -1.320541  0.679631
# 8  1.555721  1.741279

---

下面你可以找到我的解决方案，它不涉及任何额外的变量

使用

.sample

方法获取数据样本

对样本使用

.index

方法获取索引

按索引为第二个数据帧应用

slice（）

ing

例如。 假设你有X和Y，你想得到每个样品10件。当然，它应该是相同的样本

X_sample = X.sample(10)
y_sample = y[X_sample.index]

---

我喜欢Alexander的答案，但我会在采样前添加一个索引重置。完整代码：

#索引重置
X.重置索引（就地=真，下降=真）
y、 重置索引（就地=真，下降=真）
#取样
X_样本=X.样本（10）
y_sample=y[X_sample.index]

---

重置索引用于匹配时没有问题。

我认为更简单的解决方案是：

from sklearn.model_selection import train_test_split

df_source_train, df_source_test, df_target_train, df_target_test = train_test_split(df_source, df_target, train_size=.6)

---

塔克斯！因为我必须使用一些百分比，所以我修改了以rows=…开始的行。在这种情况下，您可以使用

rows=np.random.binomian（1，percentile*100，size=len（df_source））

。或者更确切地说，

rows=np.random.binomian（1，percentile*100，size=len（df_source））.astype（'bool'）

非常好的解决方案，但过度依赖默认值(“显式优于隐式”）。因此，我在

sample

中添加显式

replace=False

，以确保避免数据泄漏。如果没有显式

loc

（`y.loc[X_sample.index，：]），它将无法工作（默认轴在此处更改，轴1现在是默认的：）。

from sklearn.model_selection import train_test_split

df_source_train, df_source_test, df_target_train, df_target_test = train_test_split(df_source, df_target, train_size=.6)