Python：每个组的随机选择

假设我有一个数据帧，看起来像：

Name Group_Id
AAA  1
ABC  1
CCC  2
XYZ  2
DEF  3 
YYH  3

如何为每个

组Id

随机选择一行（或多行）？假设我希望每个

组Id

随机抽取一次，我会得到：

Name Group_Id
AAA  1
XYZ  2
DEF  3

---

使用

random.choice

，您可以执行以下操作：

import random
name_group = {'AAA': 1, 'ABC':1, 'CCC':2, 'XYZ':2, 'DEF':3, 'YYH':3}

names = [name for name in name_group.iterkeys()] #create a list out of the keys in the name_group dict

first_name = random.choice(names)
first_group = name_group[first_name]
print first_name, first_group

random.choice（seq）

---

您可以使用、和的组合：

输出：

   Group_ID Name
0         1  AAA
1         2  XYZ
2         3  DEF

---

在优雅的一行中使用groupby和random.choice：

df.groupby('Group_Id').apply(lambda x :x.iloc[random.choice(range(0,len(x)))])

---

From

0.16.x

提供了一种从对象轴返回项目随机样本的方法

In [664]: df.groupby('Group_Id').apply(lambda x: x.sample(1)).reset_index(drop=True)
Out[664]:
  Name  Group_Id
0  ABC         1
1  XYZ         2
2  DEF         3

---

对于每个组只随机选择一行，请尝试

df.sample（frac=1.0）.groupby（'group_Id'）.head（1）

有两种方法可以非常简单地做到这一点，一种方法不使用任何基本语法：

df[['x','y']].groupby('x').agg(pd.DataFrame.sample)

对于50k行数据集，这需要14.4ms

另一个稍微快一点的方法是numpy

df[['x','y']].groupby('x').agg(np.random.choice)

对于（相同的）50k行数据集，这需要10.9ms的时间

一般来说，在使用pandas时，最好坚持其本机语法。特别是初学者

一种非常奇怪的方式：

takesamp = lambda d: d.sample(n)
df = df.groupby('Group_Id').apply(takesamp)

---

如果一个组的样本少于所需的样本量

n

，则提供的解决方案将失败。这解决了这个问题：

n = 10
df.groupby('Group_Id').apply(lambda x: x.sample(min(n,len(x)))).reset_index(drop=True)

我找到了另一个：

size=2
count_s = df['Id'].value_counts()
df.iloc[np.concatenate([previous_count + np.random.choice(count, size) 
                        for count, previous_count in zip(count_s, 
                                                         count_s.shift(fill_value=0))])]

版本1.1.0中的新功能。

---

set replace=False，如果不希望每个组两次获得相同的行。如果使用时间戳列创建基于频率的pd.Grouper（），则建议的方法将生成两个同名的时间戳索引列。不太理想的情况。下面我发布了一个更简单（代码更少，更容易记住，一般来说复杂性更低）的方法来做同样的事情。

random.choice（range（0，len（x））

最好写为

np.random.randint（0，len（x））

有些人可能稍微倾向于使用numpy.random.choice，这允许您指定a）要从总体中采集的样本数量和b）是否需要替换<代码>df.sample（frac=1.0）。groupby（'Group_Id'）。头（1）太多了faster@ihadanny”的建议更为“泛泛”，也可推广到n>1，尽管这是最泛泛的答案，但它如何可能推广到每组抽样

n

项目？：-）@matanster

agg

对我不起作用，但

apply

起作用。它还可以接受函数的参数：

df[['x'，'y']].groupby（'x'）.apply（pd.DataFrame.sample，n=n，replace=False）

。请参见文档。此方法将从每个组的每个列中进行不同的随机选择，而不是选择每个组中的整行。来自@ihadanny的答案将选择整行，而且速度更快。或者：

df.groupby（'Group\u Id'）。apply（pd.DataFrame.sample，n=1）。reset\u index（drop=True）

这是最快的答案，可用于选择跨多列的行。

takesamp = lambda d: d.sample(n)
df = df.groupby('Group_Id').apply(takesamp)

n = 10
df.groupby('Group_Id').apply(lambda x: x.sample(min(n,len(x)))).reset_index(drop=True)

size=2
count_s = df['Id'].value_counts()
df.iloc[np.concatenate([previous_count + np.random.choice(count, size) 
                        for count, previous_count in zip(count_s, 
                                                         count_s.shift(fill_value=0))])]

df.groupby('Group_Id').sample(n=1)