Python：平均分配字符串列

Question

我有一列30万条线。它由19个独特的字符串组成。现在我只想选择该列中的5000个元素，但是每个字符串应该平均出现。当然，这受到该列中字符串的最小/最大出现次数的限制。你知道吗

我想也许我可以熊猫.facotrize，但我真的不知道如何掩盖列。有我不知道的numpy/pandas功能吗？你知道吗

如果我对字符串进行因式分解，结果是一样的：

strings=np.random.randint(19, size=300000)

现在我要设法屏蔽这个数组，使每个数相等地出现，“真”的数是5000。完美的模式是，如果我也能给出其中一个字符串出现在其他字符串上的因子，但这只是加法。你知道吗

Answer 1

设置

np.random.seed([3, 1415])

n = 300_000
strings = np.random.choice([*'ABCDEFGHIJKLMNOPQRS'], size=n)

df = pd.DataFrame(dict(Col=strings))

---

pandas.DataFrame.sample

算出你需要的实际数字，然后从每组中抽取样本

g = df.groupby('Col')
mx = g.size().max()
nm = g.ngroups
k = min(5000 // nm, mx)

pd.concat([d.sample(k) for _, d in g])