为小于样本量的值设置replace=False条件时，如何获取样本量?

Question

我想为每个ID获得一定数量的列，但我不能使用例如。sample(n=30)，因为我会得到一个ValueError，说明Cannot take a larger sample than population when 'replace=False'.

我知道如果我把replace变成True，我就不会得到错误，但我不想那样。相反，对于那些没有30行的IDs，我想取那些存在的，而不是更多。

我正在做什么:df = df.groupby('ID').sample(n=30)

我也尝试了df = df.groupby('ID').head(30)，这得到了每个ID的前30行，只有那些没有超过30行的行可用。但它只取前30个，并不是随机抽取的。因此，它不适合我的情况。

我试过.frac，但这并没有给我想要的结果。

在pandas df中还有其他方法吗?

谢谢你的帮助。

Answer 1

如果你不想做frac(1)会做的全局洗牌，你可以只使用大小代替，如果它小于30。为了避免创建另一个'ID'列的问题，你可以稍微调整groupby的设置。

创建一个新的Test-DataFrame

In [30]: df = pd.util.testing.makeDataFrame()
In [31]: df['ID'] = list(range(3))*6+[1,2]*6
In [40]: df['ID'].value_counts()
Out[40]: 
1    12
2    12
0     6
Name: ID, dtype: int64
...: 

然后你可以使用apply来决定每组你需要多少个样本

In [32]: df2 = df.groupby('ID', as_index=False, group_keys=False).apply(lambda x: x.sample(min(8, len(x))))
Out[32]: 
A       B       C       D  ID
20uv3SF4qh  0.8606 -0.8545 -0.2261 -0.2144   0
vBOWE8VPBL  0.9171  0.4375  0.9970 -0.9345   0
Kwzs4p5QYj -0.6896 -1.0051  0.9544  1.4635   0
XVfyETNO3g  0.4095 -1.2128 -1.5254  0.2521   0
l9zEX7eRM1 -0.4871  0.5637  0.9734  1.9705   0
...            ...     ...     ...     ...  ..
lk3ldIhrpr -0.1244 -1.0035 -0.3616 -0.5537   2
NASmNcsBH9 -1.4542  0.6159  1.1075  0.7623   2
nN7CEiMFbc -0.6539  1.2619  1.2009 -0.2582   2
Z6gqbZY5PK  0.1713  0.0299  0.4418 -0.6228   2
KgyzhcYa4w  0.7239  0.2294  1.4657 -0.2369   2
In [38]: df2['ID'].value_counts()
Out[38]: 
1    8
2    8
0    6
Name: ID, dtype: int64