我有一个带有表示地层(strat(的列的df。我想在这些层上循环,并将行拉出到一个新的df,df_sample
。如果案例很少,我想把一个层次中的所有行都去掉。
我试过下面的方法,效果很好。但我想知道这个问题是否有更好的解决方案。例如,当我稍后使用实际的更大的数据时,pd.concat
可能会很慢。
df=pd.DataFrame({'ID': range(0,120),
'strat': ['A', 'B', 'B', 'A', 'B', 'A', 'D', 'A', 'B', 'C',
'A', 'D', 'A', 'A', 'A', 'D', 'F', 'D', 'F', 'C',
'B', 'A', 'A', 'C', 'A', 'A', 'B', 'D', 'B', 'C',
'C', 'A', 'C', 'A', 'C', 'A', 'D', 'C', 'C', 'A',
'B', 'F', 'F', 'C', 'B', 'D', 'A', 'A', 'B', 'B',
'A', 'C', 'A', 'A', 'F', 'A', 'A', 'B', 'A', 'D',
'C', 'B', 'B', 'A', 'B', 'C', 'B', 'A', 'D', 'B',
'B', 'A', 'A', 'C', 'D', 'F', 'F', 'A', 'B', 'C',
'F', 'B', 'D', 'A', 'A', 'F', 'B', 'D', 'B', 'A',
'F', 'D', 'A', 'A', 'C', 'B', 'B', 'C', 'C', 'B',
'F', 'A', 'A', 'B', 'B', 'B', 'F', 'A', 'B', 'C',
'A', 'A', 'A', 'B', 'B', 'A', 'A', 'A', 'B', 'B']})
df_sample=pd.DataFrame()
for i in df.strat.unique():
temp=df[df['strat']==i]
if len(temp) < 21:
strat=temp.sample(len(temp))
elif len(temp) > 20:
strat = temp.sample(frac=0.5)
df_sample=pd.concat([df_sample, strat])
其他解决方案可能更快。如果可读性/可维护性更重要,这里还有另一个。
def sample_stratum(stratum):
nrows = stratum.shape[0]
if nrows < 21:
output = stratum.sample(nrows)
else:
output = stratum.sample(frac=0.5)
return output
# Index may be retained if needed
sampled_df = df.groupby(by=['strat']).apply(sample_stratum).reset_index(drop=True)
# ID strat
# 0 12 A
# 1 7 A
# 2 50 A
# 3 58 A
# 4 0 A
# .. .. ...
# 77 41 F
# 78 42 F
# 79 16 F
# 80 76 F
# 81 90 F
# [82 rows x 2 columns]
您可以groupby
"strat";并对每个"表"中的条目数进行计数;strat";,然后识别少于21个条目的strat并对其进行洗牌。然后取剩余的地层(那些有20个以上条目的地层(,并对其中的50%进行采样。最后连接两个数据帧:
msk1 = df.groupby('strat')['strat'].count() < 21
less_than_21 = msk1.index[msk1]
msk2 = df['strat'].isin(less_than_21)
out = pd.concat((df[~msk2].groupby('strat').sample(frac=0.5), df[msk2].sample(msk2.sum())))
输出:
ID strat
110 110 A
72 72 A
46 46 A
31 31 A
92 92 A
.. ... ...
18 18 F
9 9 C
23 23 C
42 42 F
82 82 D
[82 rows x 2 columns]
为所有有计数的组创建掩码,然后分别处理每组:
m = df.groupby('strat')['strat'].transform('size').lt(21)
df = pd.concat((df[~m].groupby('strat').sample(frac=0.5),
df[m].sample(frac=1)),
ignore_index=True)
print (df)
ID strat
0 71 A
1 31 A
2 72 A
3 39 A
4 83 A
.. .. ...
77 37 C
78 85 F
79 19 C
80 34 C
81 73 C
[82 rows x 2 columns]
替代解决方案:
m = df['strat'].map(df['strat'].value_counts()).lt(21)
df = pd.concat((df[~m].groupby('strat').sample(frac=0.5), df[m].sample(frac=1)))