Python 如果标识符在范围内，则选择列车数据

我有83家公司的数据库。我选择80%的公司作为具有以下代码的列车组：

mask = np.random.rand(83) <0.8
df['gvkey'].drop_duplicates()[mask] 
The outcome:

24       2086
48       3011
76       5020
88       6266
100      6730
        ...  
880    156617
890    157954
902    160607
917    164266
926    264414
Name: gvkey, Length: 67, dtype: int64 

感谢您的帮助。

您可以使用在通过

删除重复项获得的唯一gvkey上仅选择67个gvkey，然后使用和
astype
获得1（如果gvkey位于样本的67中），否则为0

df['train'] = df['gvkey'].isin(df['gvkey'].drop_duplicates()
                                 .sample(n=67).to_numpy()).astype(int)

请注意，在
sample
中，可以使用
frac=0.8
而不是
n=67
，但在这种情况下，它只选择66个值

编辑：很抱歉，我把事情弄混了，意识到你想要的是训练和测试，而不是1和0，所以类似，你可以这样做

df['train'] = np.where(df['gvkey'].isin(df['gvkey'].drop_duplicates()
                                  .sample(n=67).to_numpy()), 
                       'train','test')

也就是说，在本列中包含1或0以后会更容易使用。
您可以使用在使用
删除重复项获得的唯一gvkey上仅选择67个gvkey，然后使用和
astype
获得1（如果gvkey位于样本的67中），否则为0

df['train'] = df['gvkey'].isin(df['gvkey'].drop_duplicates()
                                 .sample(n=67).to_numpy()).astype(int)

请注意，在
sample
中，可以使用
frac=0.8
而不是
n=67
，但在这种情况下，它只选择66个值

编辑：很抱歉，我把事情弄混了，意识到你想要的是训练和测试，而不是1和0，所以类似，你可以这样做

df['train'] = np.where(df['gvkey'].isin(df['gvkey'].drop_duplicates()
                                  .sample(n=67).to_numpy()), 
                       'train','test')

也就是说，在本专栏中使用1或0以后会更容易使用。
谢谢Ben，它完全满足了我的需要。第一个0和1就足够了。我只需要区分两者。谢谢Ben，这正是我想要的。第一个0和1就足够了。我只需要区分两者。