python - 仅获取带有 Pandas 的 DataFrame 样本

Question

我有一个 DataFrame，它有两列content和target. DataFrame 有 1.000.000 行长，这是目标的分布：

• 目标 = 0 (100.000)
• 目标 = 1 (400.000)
• 目标 = 2 (500.000)

我需要在 DataFrame 中获得相同数量的目标值，所以我sample()只使用固定数量的具有目标 o 的行x，这是我正在使用的代码：

samples = 100000
dataset[dataset['target'] == 0] = dataset[dataset['target'] == 0].sample(n=samples, axis=0)
dataset[dataset['target'] == 1] = dataset[dataset['target'] == 1].sample(n=samples, axis=0)
dataset[dataset['target'] == 2] = dataset[dataset['target'] == 2].sample(n=samples, axis=0)

例如，如果在执行后我访问dataset[dataset['target'] == 2]它，它将返回 (100000, 2) 的形状，但访问dataset只返回与以前完全相同的数据集，我做错了什么？

标签： pythonpython-3.xpandasdataframedataset

Answer 1

由于您在每个中采样的样本较少Target，因此您可以使用groupby().sample：

# random_state for repeatability. Remove if needed
dataset = dataset.groupby('target').sample(n=samples, random_state=42)