如何从具有频率的数据帧中提取随机样本？

Question

给定16个具有如下颜色分布的球

In[1]: df = pd.DataFrame([10,5,1],index=['red', 'green','blue'], columns=['balls'])
In[2]: df
Out[2] 
            balls
    red       10
    green      5
    blue       1

我想提取一个随机子集，比如说，10个球，例如7个红色，2个绿色和1个蓝色。我不能使用df.sample（），因为这只会给我一个颜色，可能是由“balls”加权的，除非我把它放在一个循环中，每次提取1个球并更新剩余的球数。然而，这是非常缓慢的，当我们有100.000个500色的球，我们想随机抽取其中的80.000个。 我可以列个清单

In[3]: list = ['blue', 'blue', 'blue', ..., 'green', 'green', ..., 'blue']

取10个介于0和len（列表）之间的随机整数，但这似乎有点麻烦。 有没有简单快捷的方法来解决这个问题

Answer 1

您可以获取数据帧的index：

>>> colors = df.sample(10, replace=True, weights='balls').index
>>> colors
Index(['red', 'red', 'red', 'blue', 'red', 'red', 'red', 'red', 'blue',
       'green'],
      dtype='object')
>>> list(colors)
['red', 'red', 'red', 'blue', 'red', 'red', 'red', 'red', 'blue', 'green']

编辑：如注释中所述，这并不保证对球数的限制

为了保证这一点，您需要创建一个包含所有值的数据帧，然后对其调用sample(n)

>>> n_red, n_blue, n_green = (10, 1, 5)
>>> data = ['red'] * n_red + ['blue'] * n_blue + ['green'] * n_green
>>> df = pd.DataFrame(data, columns=['balls'])
>>> list(df.sample(10)['balls'])
['red', 'green', 'red', 'green', 'green', 'red', 'green', 'red', 'red', 'blue']

请注意，您不能再对样本进行加权，因为它们已按构造进行加权（颜色的行数越多，拾取该颜色的可能性就越大）