具有列的最小唯一值的行的随机值

Question

我有一个巨大的df（~100万行）和一堆列。其中一列包含一些分类数据，如Name：

Code    Regione    CodeProv            Origin  Name
0            1     Piemonte            1       Torino
1            1     Piemonte            2       Vercelli
2            1     Piemonte            2       Vercelli

我想做的是获得一个随机数目的行，比如10k，但是这些行应该至少包含Name列的20个唯一值，不管每个唯一类别是否具有相同的行号

Answer 1

如果您的姓名数量为>&燃气轮机；20并且您的姓名分布不会集中在不到20个姓名的范围内，那么不要使其过于复杂，只需这样做：

number_of_unique_names_in_sample = 0
while number_of_unique_names_in_sample < 20:
    df_sample = df.sample(n=10_000)
    number_of_unique_names_in_sample = df_sample["Name"].nunique()

并且可能添加一个计数器来限制迭代次数，以防您的分布发生变化（例如在一个小测试样本中）

Answer 2

这可能是你的要求

name_cols = [list_of_names]
samples_per_name = 500

df[df['Name'].isin(name_cols)].groupby('Name').apply(lambda x: x.sample(samples_per_name))

结果将是10000行len(name_cols)（在您的示例中为20行），每行包含500行