在Python3中，保持数据帧统计特性的最佳方法是什么？

Question

我有以下玩具df：

FilterSystemO2Concentration (Percentage)    ProcessChamberHumidityAbsolute (g/m3)   ProcessChamberPressure (mbar)   
0                     0.156            1                                 29.5                                28.4                                                            29.6                                28.4   
2                     0.149          1.3                               29.567                                28.9   
3                     0.149            1                               29.567                                28.9   
4                     0.148          1.6                                 29.6                                29.4   

这只是一个样本。原来有1200多排。最好的方法是什么来保持它的统计特性？在

我在google上搜索了一段时间，我只发现了不平衡类的重采样算法。但这不是我想要的，我对平衡数据也不感兴趣，我只想以或多或少保留原始数据分布和统计特性的方式产生更多的样本。在

提前谢谢

Answer 1

使用scipy.stats.rv_histogram(np.histogram(data)).isf(np.random.random(size=n))将创建从数据分布（直方图）中随机选择的n个新样本。可以对每个列执行以下操作：

示例：

import pandas as pd
import scipy.stats as stats

df = pd.DataFrame({'x': np.random.random(100)*3, 'y': np.random.random(100) * 4 -2})
n = 5
new_values = pd.DataFrame({s: stats.rv_histogram(np.histogram(df[s])).isf(np.random.random(size=n)) for s in df.columns})
df = df.assign(data_type='original').append(new_values.assign(data_type='oversampled'))
df.tail(7)
>>          x         y    data_type
98  1.176073 -0.207858     original
99  0.734781 -0.223110     original
0   2.014739 -0.369475  oversampled
1   2.825933 -1.122614  oversampled
2   0.155204  1.421869  oversampled
3   1.072144 -1.834163  oversampled
4   1.251650  1.353681  oversampled